{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2418387"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2418387","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Twitter Sentiment Analysis and Emotion Detection of consumer brand sentiments towards iPhone and Samsung","abstract":"Με την έλευση του Web 2.0 ολοένα και περισσότεροι άνθρωποι στρέφονται προς τα μέσα κοινωνικής δικτύωσης για να εκφράσουν τις σκέψεις και τις απόψεις τους για μια πληθώρα θεμάτων, δημιουργώντας έτσι έναν πρωτοφανή όγκο δεδομένων, τα λεγόμενα Big Data (δεδομένα μεγάλου όγκου). Αυτά τα δεδομένα συχνά περιέχουν πολύτιμες πληροφορίες σχετικά με τη γνώμη και τα συναισθήματα των καταναλωτών τα οποία μπορούν να συλλέγονται και να αξιολογούνται συστηματικά για την αξιοποίησή τους σε μια ευρεία γκάμα εφαρμογών στο πεδίο του μάρκετινγκ. Η παρούσα διπλωματική προάγει την ανάλυση συναισθήματος (sentiment analysis) και την ανίχνευση συναισθημάτων (emotion analysis) ως εναλλακτική ερευνητική τεχνική για τη συλλογή και ανάλυση online κειμενικών δεδομένων, και συγκεκριμένα δεδομένων από το Twitter. Η γνώση αυτή μπορεί να χρησιμοποιηθεί από εταιρείες και οργανισμούς για την παρακολούθηση του brand, των προϊόντων ή των υπηρεσιών τους. Επιπλέον, η αξιοποίηση των απόψεων και των συναισθημάτων που εκφράζονται από τους καταναλωτές στα μέσα κοινωνικής δικτύωσης, είναι ζωτικής σημασίας για τη λήψη αποφάσεων σχετικά με την στρατηγική μάρκετινγκ, την ανταγωνιστική επιχειρηματική ευφυΐα και τη διαχείριση της εταιρικής φήμης στο διαδίκτυο. Συνολικά συγκεντρώθηκαν 17.810 tweets για δύο ανταγωνιστικές εταιρίες smartphone κινητών τηλεφώνων, συγκεκριμένα iPhone (Apple) και Samsung (SamsungMobile), και εφαρμόστηκε μια τεχνική με χρήση λεξικών για την ανάλυση συναισθήματος και την ανίχνευση των συναισθημάτων των καταναλωτών. Η διαδικασία περιλάμβανε την απόκτηση των δεδομένων, τον καθαρισμό και την προ-επεξεργασία, καθώς και τη χρήση του λεξικού AFINN-111 για την ανάλυση του συναισθήματος (θετικό ή αρνητικό) και του λεξικού NRC Word-Emotion Association Lexicon για την ανίχνευση των συναισθημάτων που εκφράζονται (θυμός, προσμονή, αηδία, φόβος, χαρά, έκπληξη, εμπιστοσύνη). Η ανάλυση πραγματοποιήθηκε χρησιμοποιώντας τη γλώσσα προγραμματισμού R μέσω του R studio. Τα τελικά αποτελέσματα αυτής της μελέτης υποδεικνύουν την καταλληλότητα της ανάλυσης του συναισθήματος και της ανίχνευσης συναισθημάτων για την παροχή πληροφοριών για το συναίσθημα των καταναλωτών.","abstract_html":"Με την έλευση του Web 2.0 ολοένα και περισσότεροι άνθρωποι στρέφονται προς τα μέσα κοινωνικής δικτύωσης για να εκφράσουν τις σκέψεις και τις απόψεις τους για μια πληθώρα θεμάτων, δημιουργώντας έτσι έναν πρωτοφανή όγκο δεδομένων, τα λεγόμενα Big Data (δεδομένα μεγάλου όγκου). Αυτά τα δεδομένα συχνά περιέχουν πολύτιμες πληροφορίες σχετικά με τη γνώμη και τα συναισθήματα των καταναλωτών τα οποία μπορούν να συλλέγονται και να αξιολογούνται συστηματικά για την αξιοποίησή τους σε μια ευρεία γκάμα εφαρμογών στο πεδίο του μάρκετινγκ. Η παρούσα διπλωματική προάγει την ανάλυση συναισθήματος (sentiment analysis) και την ανίχνευση συναισθημάτων (emotion analysis) ως εναλλακτική ερευνητική τεχνική για τη συλλογή και ανάλυση online κειμενικών δεδομένων, και συγκεκριμένα δεδομένων από το Twitter. Η γνώση αυτή μπορεί να χρησιμοποιηθεί από εταιρείες και οργανισμούς για την παρακολούθηση του brand, των προϊόντων ή των υπηρεσιών τους. Επιπλέον, η αξιοποίηση των απόψεων και των συναισθημάτων που εκφράζονται από τους καταναλωτές στα μέσα κοινωνικής δικτύωσης, είναι ζωτικής σημασίας για τη λήψη αποφάσεων σχετικά με την στρατηγική μάρκετινγκ, την ανταγωνιστική επιχειρηματική ευφυΐα και τη διαχείριση της εταιρικής φήμης στο διαδίκτυο. Συνολικά συγκεντρώθηκαν 17.810 tweets για δύο ανταγωνιστικές εταιρίες smartphone κινητών τηλεφώνων, συγκεκριμένα iPhone (Apple) και Samsung (SamsungMobile), και εφαρμόστηκε μια τεχνική με χρήση λεξικών για την ανάλυση συναισθήματος και την ανίχνευση των συναισθημάτων των καταναλωτών. Η διαδικασία περιλάμβανε την απόκτηση των δεδομένων, τον καθαρισμό και την προ-επεξεργασία, καθώς και τη χρήση του λεξικού AFINN-111 για την ανάλυση του συναισθήματος (θετικό ή αρνητικό) και του λεξικού NRC Word-Emotion Association Lexicon για την ανίχνευση των συναισθημάτων που εκφράζονται (θυμός, προσμονή, αηδία, φόβος, χαρά, έκπληξη, εμπιστοσύνη). Η ανάλυση πραγματοποιήθηκε χρησιμοποιώντας τη γλώσσα προγραμματισμού R μέσω του R studio. Τα τελικά αποτελέσματα αυτής της μελέτης υποδεικνύουν την καταλληλότητα της ανάλυσης του συναισθήματος και της ανίχνευσης συναισθημάτων για την παροχή πληροφοριών για το συναίσθημα των καταναλωτών.","abstract_has_math":false,"creators":["Χριστάνα Αθανασία","Christana Athanasia"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2017,"date_issued":"2017","date_published":"2017","updated_at":"2026-11-19T05:30:18Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2418387"],"render_values":[{"text":"uoadl:2418387","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2418387","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2418387","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2418387","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χριστάνα Αθανασία","Christana Athanasia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2017"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2418387","https://pergamos.lib.uoa.gr/uoa/dl/object/2418387"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Με την έλευση του Web 2.0 ολοένα και περισσότεροι άνθρωποι στρέφονται προς τα μέσα κοινωνικής δικτύωσης για να εκφράσουν τις σκέψεις και τις απόψεις τους για μια πληθώρα θεμάτων, δημιουργώντας έτσι έναν πρωτοφανή όγκο δεδομένων, τα λεγόμενα Big Data (δεδομένα μεγάλου όγκου). Αυτά τα δεδομένα συχνά περιέχουν πολύτιμες πληροφορίες σχετικά με τη γνώμη και τα συναισθήματα των καταναλωτών τα οποία μπορούν να συλλέγονται και να αξιολογούνται συστηματικά για την αξιοποίησή τους σε μια ευρεία γκάμα εφαρμογών στο πεδίο του μάρκετινγκ. Η παρούσα διπλωματική προάγει την ανάλυση συναισθήματος (sentiment analysis) και την ανίχνευση συναισθημάτων (emotion analysis) ως εναλλακτική ερευνητική τεχνική για τη συλλογή και ανάλυση online κειμενικών δεδομένων, και συγκεκριμένα δεδομένων από το Twitter. Η γνώση αυτή μπορεί να χρησιμοποιηθεί από εταιρείες και οργανισμούς για την παρακολούθηση του brand, των προϊόντων ή των υπηρεσιών τους. Επιπλέον, η αξιοποίηση των απόψεων και των συναισθημάτων που εκφράζονται από τους καταναλωτές στα μέσα κοινωνικής δικτύωσης, είναι ζωτικής σημασίας για τη λήψη αποφάσεων σχετικά με την στρατηγική μάρκετινγκ, την ανταγωνιστική επιχειρηματική ευφυΐα και τη διαχείριση της εταιρικής φήμης στο διαδίκτυο. Συνολικά συγκεντρώθηκαν 17.810 tweets για δύο ανταγωνιστικές εταιρίες smartphone κινητών τηλεφώνων, συγκεκριμένα iPhone (Apple) και Samsung (SamsungMobile), και εφαρμόστηκε μια τεχνική με χρήση λεξικών για την ανάλυση συναισθήματος και την ανίχνευση των συναισθημάτων των καταναλωτών. Η διαδικασία περιλάμβανε την απόκτηση των δεδομένων, τον καθαρισμό και την προ-επεξεργασία, καθώς και τη χρήση του λεξικού AFINN-111 για την ανάλυση του συναισθήματος (θετικό ή αρνητικό) και του λεξικού NRC Word-Emotion Association Lexicon για την ανίχνευση των συναισθημάτων που εκφράζονται (θυμός, προσμονή, αηδία, φόβος, χαρά, έκπληξη, εμπιστοσύνη). Η ανάλυση πραγματοποιήθηκε χρησιμοποιώντας τη γλώσσα προγραμματισμού R μέσω του R studio. Τα τελικά αποτελέσματα αυτής της μελέτης υποδεικνύουν την καταλληλότητα της ανάλυσης του συναισθήματος και της ανίχνευσης συναισθημάτων για την παροχή πληροφοριών για το συναίσθημα των καταναλωτών.","With the advent of Web 2.0 people turn to social media to express their thoughts and opinions about virtually any subject, producing unprecedented volumes of opinionated data, referred to as Big Data. This data often contains valuable insights about the sentiments and emotions of consumers, which can be systematically extracted and evaluated for a variety of marketing applications. This thesis promotes sentiment analysis and emotion detection (or emotion analysis) as an alternate research technique for collecting and analyzing online textual data, specifically Twitter posts. The extracted knowledge can be used by companies and organizations to monitor their brand, products, or services. In addition, consumer feedback and expressed emotions may be utilized for making decisions regarding marketing research, competitive business intelligence and online reputation management. A total of 17,810 tweets about two competing smartphone brands was collected, namely iPhone (Apple) and Samsung (SamsungMobile) and a lexicon-based approach was used to perform sentiment analysis and emotion detection on consumer sentiments. The process consisted of data acquisition, data cleaning and pre-processing and the use of the AFINN-111 sentiment lexicon to perform sentiment analysis and the NRC Word-Emotion Association Lexicon (aka EmoLex) to detect expressed emotions. The analysis was performed using R programming language via the R studio interface. The concluding results of this study suggest the suitability of sentiment analysis and emotion detection in providing insight about consumer sentiment."]},{"key":"dc:title","label":"Title","values":["Twitter Sentiment Analysis and Emotion Detection of consumer brand sentiments towards iPhone and Samsung"]}]}],"canonical_facts":{"dc:creator":["Χριστάνα Αθανασία","Christana Athanasia"],"dc:date":["2017"],"dc:description":["Με την έλευση του Web 2.0 ολοένα και περισσότεροι άνθρωποι στρέφονται προς τα μέσα κοινωνικής δικτύωσης για να εκφράσουν τις σκέψεις και τις απόψεις τους για μια πληθώρα θεμάτων, δημιουργώντας έτσι έναν πρωτοφανή όγκο δεδομένων, τα λεγόμενα Big Data (δεδομένα μεγάλου όγκου). Αυτά τα δεδομένα συχνά περιέχουν πολύτιμες πληροφορίες σχετικά με τη γνώμη και τα συναισθήματα των καταναλωτών τα οποία μπορούν να συλλέγονται και να αξιολογούνται συστηματικά για την αξιοποίησή τους σε μια ευρεία γκάμα εφαρμογών στο πεδίο του μάρκετινγκ. Η παρούσα διπλωματική προάγει την ανάλυση συναισθήματος (sentiment analysis) και την ανίχνευση συναισθημάτων (emotion analysis) ως εναλλακτική ερευνητική τεχνική για τη συλλογή και ανάλυση online κειμενικών δεδομένων, και συγκεκριμένα δεδομένων από το Twitter. Η γνώση αυτή μπορεί να χρησιμοποιηθεί από εταιρείες και οργανισμούς για την παρακολούθηση του brand, των προϊόντων ή των υπηρεσιών τους. Επιπλέον, η αξιοποίηση των απόψεων και των συναισθημάτων που εκφράζονται από τους καταναλωτές στα μέσα κοινωνικής δικτύωσης, είναι ζωτικής σημασίας για τη λήψη αποφάσεων σχετικά με την στρατηγική μάρκετινγκ, την ανταγωνιστική επιχειρηματική ευφυΐα και τη διαχείριση της εταιρικής φήμης στο διαδίκτυο. Συνολικά συγκεντρώθηκαν 17.810 tweets για δύο ανταγωνιστικές εταιρίες smartphone κινητών τηλεφώνων, συγκεκριμένα iPhone (Apple) και Samsung (SamsungMobile), και εφαρμόστηκε μια τεχνική με χρήση λεξικών για την ανάλυση συναισθήματος και την ανίχνευση των συναισθημάτων των καταναλωτών. Η διαδικασία περιλάμβανε την απόκτηση των δεδομένων, τον καθαρισμό και την προ-επεξεργασία, καθώς και τη χρήση του λεξικού AFINN-111 για την ανάλυση του συναισθήματος (θετικό ή αρνητικό) και του λεξικού NRC Word-Emotion Association Lexicon για την ανίχνευση των συναισθημάτων που εκφράζονται (θυμός, προσμονή, αηδία, φόβος, χαρά, έκπληξη, εμπιστοσύνη). Η ανάλυση πραγματοποιήθηκε χρησιμοποιώντας τη γλώσσα προγραμματισμού R μέσω του R studio. Τα τελικά αποτελέσματα αυτής της μελέτης υποδεικνύουν την καταλληλότητα της ανάλυσης του συναισθήματος και της ανίχνευσης συναισθημάτων για την παροχή πληροφοριών για το συναίσθημα των καταναλωτών.","With the advent of Web 2.0 people turn to social media to express their thoughts and opinions about virtually any subject, producing unprecedented volumes of opinionated data, referred to as Big Data. This data often contains valuable insights about the sentiments and emotions of consumers, which can be systematically extracted and evaluated for a variety of marketing applications. This thesis promotes sentiment analysis and emotion detection (or emotion analysis) as an alternate research technique for collecting and analyzing online textual data, specifically Twitter posts. The extracted knowledge can be used by companies and organizations to monitor their brand, products, or services. In addition, consumer feedback and expressed emotions may be utilized for making decisions regarding marketing research, competitive business intelligence and online reputation management. A total of 17,810 tweets about two competing smartphone brands was collected, namely iPhone (Apple) and Samsung (SamsungMobile) and a lexicon-based approach was used to perform sentiment analysis and emotion detection on consumer sentiments. The process consisted of data acquisition, data cleaning and pre-processing and the use of the AFINN-111 sentiment lexicon to perform sentiment analysis and the NRC Word-Emotion Association Lexicon (aka EmoLex) to detect expressed emotions. The analysis was performed using R programming language via the R studio interface. The concluding results of this study suggest the suitability of sentiment analysis and emotion detection in providing insight about consumer sentiment."],"dc:identifier":["uoadl:2418387","https://pergamos.lib.uoa.gr/uoa/dl/object/2418387"],"dc:language":["English"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Twitter Sentiment Analysis and Emotion Detection of consumer brand sentiments towards iPhone and Samsung"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:30:18Z"}