dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
dc.contributor.advisor | Sotiropoulos, Dionisios | |
dc.contributor.author | Γκούσκος, Ευάγγελος | |
dc.contributor.author | Gkouskos, Evangelos | |
dc.date.accessioned | 2023-01-26T15:53:54Z | |
dc.date.available | 2023-01-26T15:53:54Z | |
dc.date.issued | 2022-12 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15070 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2492 | |
dc.description.abstract | Η άνθηση του Web 2.0 και η ευκολία που παρέχει σε συνδυασμό με τον Covid-19, έδωσε στους ανθρώπους τη δυνατότητα για αλληλεπίδραση διαδικτυακά μεταξύ τους περισσότερο από ποτέ. Η αλληλεπίδραση αυτή ποικίλει, από επικοινωνία μέσω Μέσων Κοινωνικής Δικτύωσης έως αγοραπωλησίες προϊόντων στο εξωτερικό. Η ικανότητα κάποιου ανθρώπου να κάνει κριτικές ή σχόλια για προϊόντα, αγαθά ή ακόμα και πολιτικά πρόσωπα έχει αλλάξει τη συμπεριφορά και τις ανάγκες των ανθρώπων ως προς τη κατανάλωση και το εμπόριο γενικότερα και έθεσε την επικοινωνία σε μια νέα εποχή.
Πλέον, όλο και περισσότεροι άνθρωποι κάνουν κριτικές και σχόλια στο διαδίκτυο. Αναμφισβήτητα, αυτές οι κριτικές τράβηξαν το ενδιαφέρον από διάφορους επιχειρηματικούς κλάδους και από την ακαδημαϊκή κοινότητα.
Η ανάλυση συναισθήματος, γνωστή και ως εξόρυξη γνώμης είναι το επιστημονικό πεδίο το οποίο αναλύει κριτικές, γνώμες ακόμα και αισθήματα και εξάγει το συναίσθημα που απορρέει.
Ο σκοπός της διπλωματικής αυτής εργασίας είναι η ανάλυση δεδομένων από το Κοινωνικό Δίκτυο Twitter, να ελέγξει το συναίσθημά τους χρησιμοποιώντας διαφορετικές μεθόδους και τελικώς να συγκρίνει τα αποτελέσματα. Οι μέθοδοι που θα χρησιμοποιηθούν αποτελούνται από αλγόριθμους μηχανικής και βαθιάς μάθησης. Ξεκινάμε με μια ιστορική αναδρομή της ανάλυσης συναισθήματος και έως και τη μορφή που βρίσκεται σήμερα. Στη συνέχεια, παρουσιάζουμε τους αλγορίθμους που χρησιμοποιήθηκαν για την συγγραφή της εργασίας αυτής, καθώς και της διαδικασίας της προετοιμασίας και επεξεργασίας των δεδομένων ώστε να διαμορφωθούν κατάλληλα για τη μελέτη τους. Τέλος, ολοκληρώνουμε την εργασία εξετάζοντας την ακρίβεια του εκάστοτε αλγορίθμου και παρουσιάζουμε τις νέες μεθόδους και το μέλλον που διαφαίνεται στο πεδίο της ανάλυσης συναισθήματος. | el |
dc.format.extent | 70 | el |
dc.language.iso | en | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.title | Sentiment analysis on Twitter | el |
dc.title.alternative | Ανάλυση συναισθήματος στο Twitter | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
dc.description.abstractEN | The rise of Web 2.0 and the convenience it brought in conjunction with Covid-19, enabled people to collaborate with each other online more than ever. This collaboration varies, from communicating through Social Media to cross-boarding selling, or buying. The capability of someone to review or to make comments about products, goods, or even political characters changed people’s behavior and needs regarding consumption and trade more generally and put communication into a new era.
Nowadays, more and more people make critics or comments on the internet. Undeniably, those reviews attracted attention from various industries in business and the academic community.
Sentiment analysis, also known as opinion mining is the scientific field that studies and analyzes reviews, critics, opinions, or even emotions and extracts the sentiment that derives (Liu, 2015).
The goal of this thesis is to analyze data from Twitter, determine their sentiment using different mechanisms and finally compare the results. Those mechanisms include machine learning algorithms and deep learning approaches. We begin with the evolution of sentiment analysis through time and in which condition we find it today. Later, we will present the algorithms that we used for this study, in addition to the preparation and preprocessing steps we did to form the data accordingly, for our task. Lastly, we conclude this study by investigating the accuracy of its algorithm and introduce new avenues and future work in the field of sentiment analysis. | el |
dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής - Ανάπτυξη Λογισμικού και Τεχνητής Νοημοσύνης | el |
dc.subject.keyword | Sentiment analysis | el |
dc.subject.keyword | Twitter | el |
dc.subject.keyword | Machine learning | el |
dc.subject.keyword | Deep learning | el |
dc.subject.keyword | Neural networks | el |
dc.subject.keyword | Ανάλυση συναισθήματος | el |
dc.subject.keyword | Νευρωνικά δίκτυα | el |
dc.subject.keyword | Μηχανική μάθηση | el |
dc.date.defense | 2022-12-20 | |