{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2899797"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2899797","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Αναγνώριση Ονομασμένων Οντοτήτων με χρήση Νευρωνικών Δικτύων","abstract":"Με την εξέλιξη της Τεχνητής Νοημοσύνης (ΤΝ), κάθε πτυχή της καθημερινότητας αλλάζει συνεχώς. Πολλοί τομείς του επαγγελματικού κλάδου, προσαρμόζουν συνεχώς τον τρόπο εφαρμογής των υπηρεσιών και προϊόντων τους με χρήση τεχνικών ΤΝ επιτυγχάνοντας πιο αυτοματοποιημένες διαδικασίες, λιγότερα ανθρώπινα σφάλματα, και μεγαλύτερη αποτελεσματικότητα και ακρίβεια. Τέτοιες εφαρμογές υπάρχουν στην εκπαίδευση, στους τρόπους μεταφοράς και μετακίνησης, στην υγεία, στην ψυχαγωγία, αλλά και σε οποιοδήποτε εργαλείο που μπορεί να συμβάλλει στην κοινωνική ζωή και δικτύωση. Τα δεδομένα παίζουν πολύ σημαντικό ρόλο, βοηθώντας τον υπολογιστή να μάθει από το παρελθόν, και να κατανοήσει καλύτερα το παρόν και το μέλλον. Ο ρόλος της Πολυεπίπεδης ή Βαθιάς Μάθησης εμφανίζεται μαζί με την ανάγκη της αξιοποίησης της γραπτής πληροφορίας και κειμένου, εγγράφων, περιοδικών, και οτιδήποτε γραπτού υπάρχει στο διαδίκτυο. Τα Νευρωνικά Δίκτυα εφαρμόζονται μέσω της βαθιάς μάθησης και αποσκοπούν στην αναγνώριση προτύπων, μέσα από προ-επεξεργασία, ομαδοποίηση, και ταξινόμηση των δεδομένων. Η Αναγνώριση Ονομασμένων Οντοτήτων αποτελεί μια από τις κύριες μεθόδους που απαιτούνται για την εξαγωγή πληροφοριών, η οποία στοχεύει στον εντοπισμό οντοτήτων μέσα από μη δομημένο κείμενο, και στην μετατροπή της σχετικής πληροφορίας σε συγκεκριμένες προ-δηλωμένες κατηγορίες, όπως για παράδειγμα Άτομο, Τοποθεσία, Οργανισμός και άλλα. Το εύρος της έρευνας και των αλγορίθμων που έχουν εφαρμοστεί στον συγκεκριμένο κλάδο έχει εξελιχθεί σε τέτοιο βαθμό, που μας δίνει τη δυνατότητα να μελετήσουμε σε βάθος την κάθε εφαρμογή, και να εξάγουμε το καλύτερο δυνατό αποτέλεσμα. Στόχος της διπλωματικής εργασίας, είναι η μελέτη της προόδου που έχει γίνει στην Επεξεργασία Φυσικής Γλώσσας με σκοπό την Αναγνώριση Ονομασμένων Οντοτήτων. Ακολουθώντας ευρέως διαδεδομένα δημοσιεύματα και εφαρμογές, επιχειρούμε να βρούμε την εγκυρότητα των εφαρμοσμένων μοντέλων, τις διαφορές μεταξύ τους, και πως αξιολογείται το τελικό αποτέλεσμα. Μελετάμε τις τεχνικές της Επεξεργασίας της Φυσικής Γλώσσας, που έχουν εφαρμοστεί για την κοινή έρευνα της Αναγνώρισης Ονομασμένων Οντοτήτων. Θα συγκρίνουμε και θα αποτιμήσουμε state-of-the-art αρχιτεκτονικές Νευρωνικών Δικτύων (LSTM, CNN, RNN, CRF) με σκοπό να αναγνωρίσουμε τους παρακάτω τύπους οντοτήτων: Άτομο, Τοποθεσία, Οργανισμός, Διάφορα (γενικός όρος). Ακόμα θα μελετήσουμε τη σημασία χρήσης ή μη, νέων χαρακτηριστικών μέσα από το σύνολο των δεδομένων, ειδικά εκείνων που δημιουργούνται από το ανθρώπινο χέρι. Για σωστή σύγκριση, χρησιμοποιούμε το ίδιο σύνολο δεδομένων για την εκπαίδευση του μοντέλου, με τον ίδιο τρόπο όπως χρησιμοποιείται και στα αντίστοιχα δημοσιεύματα. Η κάθε προσέγγιση αξιολογείται με βάση τις μετρήσεις ακρίβειας και ανάκλησης του F1-σκορ ανά τύπο οντότητας για κάθε νευρωνικό δίκτυο.","abstract_html":"Με την εξέλιξη της Τεχνητής Νοημοσύνης (ΤΝ), κάθε πτυχή της καθημερινότητας αλλάζει συνεχώς. Πολλοί τομείς του επαγγελματικού κλάδου, προσαρμόζουν συνεχώς τον τρόπο εφαρμογής των υπηρεσιών και προϊόντων τους με χρήση τεχνικών ΤΝ επιτυγχάνοντας πιο αυτοματοποιημένες διαδικασίες, λιγότερα ανθρώπινα σφάλματα, και μεγαλύτερη αποτελεσματικότητα και ακρίβεια. Τέτοιες εφαρμογές υπάρχουν στην εκπαίδευση, στους τρόπους μεταφοράς και μετακίνησης, στην υγεία, στην ψυχαγωγία, αλλά και σε οποιοδήποτε εργαλείο που μπορεί να συμβάλλει στην κοινωνική ζωή και δικτύωση. Τα δεδομένα παίζουν πολύ σημαντικό ρόλο, βοηθώντας τον υπολογιστή να μάθει από το παρελθόν, και να κατανοήσει καλύτερα το παρόν και το μέλλον. Ο ρόλος της Πολυεπίπεδης ή Βαθιάς Μάθησης εμφανίζεται μαζί με την ανάγκη της αξιοποίησης της γραπτής πληροφορίας και κειμένου, εγγράφων, περιοδικών, και οτιδήποτε γραπτού υπάρχει στο διαδίκτυο. Τα Νευρωνικά Δίκτυα εφαρμόζονται μέσω της βαθιάς μάθησης και αποσκοπούν στην αναγνώριση προτύπων, μέσα από προ-επεξεργασία, ομαδοποίηση, και ταξινόμηση των δεδομένων. Η Αναγνώριση Ονομασμένων Οντοτήτων αποτελεί μια από τις κύριες μεθόδους που απαιτούνται για την εξαγωγή πληροφοριών, η οποία στοχεύει στον εντοπισμό οντοτήτων μέσα από μη δομημένο κείμενο, και στην μετατροπή της σχετικής πληροφορίας σε συγκεκριμένες προ-δηλωμένες κατηγορίες, όπως για παράδειγμα Άτομο, Τοποθεσία, Οργανισμός και άλλα. Το εύρος της έρευνας και των αλγορίθμων που έχουν εφαρμοστεί στον συγκεκριμένο κλάδο έχει εξελιχθεί σε τέτοιο βαθμό, που μας δίνει τη δυνατότητα να μελετήσουμε σε βάθος την κάθε εφαρμογή, και να εξάγουμε το καλύτερο δυνατό αποτέλεσμα. Στόχος της διπλωματικής εργασίας, είναι η μελέτη της προόδου που έχει γίνει στην Επεξεργασία Φυσικής Γλώσσας με σκοπό την Αναγνώριση Ονομασμένων Οντοτήτων. Ακολουθώντας ευρέως διαδεδομένα δημοσιεύματα και εφαρμογές, επιχειρούμε να βρούμε την εγκυρότητα των εφαρμοσμένων μοντέλων, τις διαφορές μεταξύ τους, και πως αξιολογείται το τελικό αποτέλεσμα. Μελετάμε τις τεχνικές της Επεξεργασίας της Φυσικής Γλώσσας, που έχουν εφαρμοστεί για την κοινή έρευνα της Αναγνώρισης Ονομασμένων Οντοτήτων. Θα συγκρίνουμε και θα αποτιμήσουμε state-of-the-art αρχιτεκτονικές Νευρωνικών Δικτύων (LSTM, CNN, RNN, CRF) με σκοπό να αναγνωρίσουμε τους παρακάτω τύπους οντοτήτων: Άτομο, Τοποθεσία, Οργανισμός, Διάφορα (γενικός όρος). Ακόμα θα μελετήσουμε τη σημασία χρήσης ή μη, νέων χαρακτηριστικών μέσα από το σύνολο των δεδομένων, ειδικά εκείνων που δημιουργούνται από το ανθρώπινο χέρι. Για σωστή σύγκριση, χρησιμοποιούμε το ίδιο σύνολο δεδομένων για την εκπαίδευση του μοντέλου, με τον ίδιο τρόπο όπως χρησιμοποιείται και στα αντίστοιχα δημοσιεύματα. Η κάθε προσέγγιση αξιολογείται με βάση τις μετρήσεις ακρίβειας και ανάκλησης του F1-σκορ ανά τύπο οντότητας για κάθε νευρωνικό δίκτυο.","abstract_has_math":false,"creators":["Μόσχου Βασιλική","Moschou Vasiliki"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-11-19T05:38:09Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2899797"],"render_values":[{"text":"uoadl:2899797","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2899797","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2899797","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%3A2899797","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μόσχου Βασιλική","Moschou Vasiliki"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020"]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"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:2899797","https://pergamos.lib.uoa.gr/uoa/dl/object/2899797"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Με την εξέλιξη της Τεχνητής Νοημοσύνης (ΤΝ), κάθε πτυχή της καθημερινότητας αλλάζει συνεχώς. Πολλοί τομείς του επαγγελματικού κλάδου, προσαρμόζουν συνεχώς τον τρόπο εφαρμογής των υπηρεσιών και προϊόντων τους με χρήση τεχνικών ΤΝ επιτυγχάνοντας πιο αυτοματοποιημένες διαδικασίες, λιγότερα ανθρώπινα σφάλματα, και μεγαλύτερη αποτελεσματικότητα και ακρίβεια. Τέτοιες εφαρμογές υπάρχουν στην εκπαίδευση, στους τρόπους μεταφοράς και μετακίνησης, στην υγεία, στην ψυχαγωγία, αλλά και σε οποιοδήποτε εργαλείο που μπορεί να συμβάλλει στην κοινωνική ζωή και δικτύωση. Τα δεδομένα παίζουν πολύ σημαντικό ρόλο, βοηθώντας τον υπολογιστή να μάθει από το παρελθόν, και να κατανοήσει καλύτερα το παρόν και το μέλλον. Ο ρόλος της Πολυεπίπεδης ή Βαθιάς Μάθησης εμφανίζεται μαζί με την ανάγκη της αξιοποίησης της γραπτής πληροφορίας και κειμένου, εγγράφων, περιοδικών, και οτιδήποτε γραπτού υπάρχει στο διαδίκτυο. Τα Νευρωνικά Δίκτυα εφαρμόζονται μέσω της βαθιάς μάθησης και αποσκοπούν στην αναγνώριση προτύπων, μέσα από προ-επεξεργασία, ομαδοποίηση, και ταξινόμηση των δεδομένων. Η Αναγνώριση Ονομασμένων Οντοτήτων αποτελεί μια από τις κύριες μεθόδους που απαιτούνται για την εξαγωγή πληροφοριών, η οποία στοχεύει στον εντοπισμό οντοτήτων μέσα από μη δομημένο κείμενο, και στην μετατροπή της σχετικής πληροφορίας σε συγκεκριμένες προ-δηλωμένες κατηγορίες, όπως για παράδειγμα Άτομο, Τοποθεσία, Οργανισμός και άλλα. Το εύρος της έρευνας και των αλγορίθμων που έχουν εφαρμοστεί στον συγκεκριμένο κλάδο έχει εξελιχθεί σε τέτοιο βαθμό, που μας δίνει τη δυνατότητα να μελετήσουμε σε βάθος την κάθε εφαρμογή, και να εξάγουμε το καλύτερο δυνατό αποτέλεσμα. Στόχος της διπλωματικής εργασίας, είναι η μελέτη της προόδου που έχει γίνει στην Επεξεργασία Φυσικής Γλώσσας με σκοπό την Αναγνώριση Ονομασμένων Οντοτήτων. Ακολουθώντας ευρέως διαδεδομένα δημοσιεύματα και εφαρμογές, επιχειρούμε να βρούμε την εγκυρότητα των εφαρμοσμένων μοντέλων, τις διαφορές μεταξύ τους, και πως αξιολογείται το τελικό αποτέλεσμα. Μελετάμε τις τεχνικές της Επεξεργασίας της Φυσικής Γλώσσας, που έχουν εφαρμοστεί για την κοινή έρευνα της Αναγνώρισης Ονομασμένων Οντοτήτων. Θα συγκρίνουμε και θα αποτιμήσουμε state-of-the-art αρχιτεκτονικές Νευρωνικών Δικτύων (LSTM, CNN, RNN, CRF) με σκοπό να αναγνωρίσουμε τους παρακάτω τύπους οντοτήτων: Άτομο, Τοποθεσία, Οργανισμός, Διάφορα (γενικός όρος). Ακόμα θα μελετήσουμε τη σημασία χρήσης ή μη, νέων χαρακτηριστικών μέσα από το σύνολο των δεδομένων, ειδικά εκείνων που δημιουργούνται από το ανθρώπινο χέρι. Για σωστή σύγκριση, χρησιμοποιούμε το ίδιο σύνολο δεδομένων για την εκπαίδευση του μοντέλου, με τον ίδιο τρόπο όπως χρησιμοποιείται και στα αντίστοιχα δημοσιεύματα. Η κάθε προσέγγιση αξιολογείται με βάση τις μετρήσεις ακρίβειας και ανάκλησης του F1-σκορ ανά τύπο οντότητας για κάθε νευρωνικό δίκτυο.","With the evolution of Artificial Intelligence (AI), every aspect in everyday life keeps changing. Multiple industries like education, transportation, health, gaming, social life, space industry and much more keep adjusting their way of working using AI techniques that provide automated procedures, less human errors and more efficiency and accuracy to delivering good products and services. The data plays a very important role to help the machine learn from the past, and to understand better the present and the future. The role of deep learning shows up in the need to make good use of text documents, journals, papers, and everything textual that can be found in the web (or not) and that is difficult to extract knowledge from it. Neural networks are applied via deep learning, and aim to recognize patterns by interpreting data through machine perception, data pre-processing, clustering and classification. Named Entity Recognition (NER) is one of the main tasks required for information extraction which targets on recognizing entities from unstructured text, and translating them into pre-defined subcategories, such as Person, Location, Organization, and more. The research that has been done around this domain is large enough to question and analyse what is the best technique or combination of techniques applied to extract the best result on NER. The goal of this thesis, is to investigate the existing progress in NLP, aiming at NER. Following publicly available documents and applications, we are exploring the differences among them, and we evaluate the extracted final results. We analyse multiple Natural Language Processing (NLP) techniques that have been implemented for NER shared tasks. We will compare and estimate state-of-the-art architectures for Neural networks (LSTM, CNN, RNN, CRF) aiming at identifying the following entity types: Person, Location, Organization, Misc (Miscellaneous, general term). Additionally, we will study the importance of using or not, hand-crafted or lexical features. For a fair comparison, we will use the same dataset to train the models, as described in the actual papers. Each approach is evaluated using precision, recall and F1 score."]},{"key":"dc:title","label":"Title","values":["Αναγνώριση Ονομασμένων Οντοτήτων με χρήση Νευρωνικών Δικτύων"]}]}],"canonical_facts":{"dc:creator":["Μόσχου Βασιλική","Moschou Vasiliki"],"dc:date":["2020"],"dc:description":["Με την εξέλιξη της Τεχνητής Νοημοσύνης (ΤΝ), κάθε πτυχή της καθημερινότητας αλλάζει συνεχώς. Πολλοί τομείς του επαγγελματικού κλάδου, προσαρμόζουν συνεχώς τον τρόπο εφαρμογής των υπηρεσιών και προϊόντων τους με χρήση τεχνικών ΤΝ επιτυγχάνοντας πιο αυτοματοποιημένες διαδικασίες, λιγότερα ανθρώπινα σφάλματα, και μεγαλύτερη αποτελεσματικότητα και ακρίβεια. Τέτοιες εφαρμογές υπάρχουν στην εκπαίδευση, στους τρόπους μεταφοράς και μετακίνησης, στην υγεία, στην ψυχαγωγία, αλλά και σε οποιοδήποτε εργαλείο που μπορεί να συμβάλλει στην κοινωνική ζωή και δικτύωση. Τα δεδομένα παίζουν πολύ σημαντικό ρόλο, βοηθώντας τον υπολογιστή να μάθει από το παρελθόν, και να κατανοήσει καλύτερα το παρόν και το μέλλον. Ο ρόλος της Πολυεπίπεδης ή Βαθιάς Μάθησης εμφανίζεται μαζί με την ανάγκη της αξιοποίησης της γραπτής πληροφορίας και κειμένου, εγγράφων, περιοδικών, και οτιδήποτε γραπτού υπάρχει στο διαδίκτυο. Τα Νευρωνικά Δίκτυα εφαρμόζονται μέσω της βαθιάς μάθησης και αποσκοπούν στην αναγνώριση προτύπων, μέσα από προ-επεξεργασία, ομαδοποίηση, και ταξινόμηση των δεδομένων. Η Αναγνώριση Ονομασμένων Οντοτήτων αποτελεί μια από τις κύριες μεθόδους που απαιτούνται για την εξαγωγή πληροφοριών, η οποία στοχεύει στον εντοπισμό οντοτήτων μέσα από μη δομημένο κείμενο, και στην μετατροπή της σχετικής πληροφορίας σε συγκεκριμένες προ-δηλωμένες κατηγορίες, όπως για παράδειγμα Άτομο, Τοποθεσία, Οργανισμός και άλλα. Το εύρος της έρευνας και των αλγορίθμων που έχουν εφαρμοστεί στον συγκεκριμένο κλάδο έχει εξελιχθεί σε τέτοιο βαθμό, που μας δίνει τη δυνατότητα να μελετήσουμε σε βάθος την κάθε εφαρμογή, και να εξάγουμε το καλύτερο δυνατό αποτέλεσμα. Στόχος της διπλωματικής εργασίας, είναι η μελέτη της προόδου που έχει γίνει στην Επεξεργασία Φυσικής Γλώσσας με σκοπό την Αναγνώριση Ονομασμένων Οντοτήτων. Ακολουθώντας ευρέως διαδεδομένα δημοσιεύματα και εφαρμογές, επιχειρούμε να βρούμε την εγκυρότητα των εφαρμοσμένων μοντέλων, τις διαφορές μεταξύ τους, και πως αξιολογείται το τελικό αποτέλεσμα. Μελετάμε τις τεχνικές της Επεξεργασίας της Φυσικής Γλώσσας, που έχουν εφαρμοστεί για την κοινή έρευνα της Αναγνώρισης Ονομασμένων Οντοτήτων. Θα συγκρίνουμε και θα αποτιμήσουμε state-of-the-art αρχιτεκτονικές Νευρωνικών Δικτύων (LSTM, CNN, RNN, CRF) με σκοπό να αναγνωρίσουμε τους παρακάτω τύπους οντοτήτων: Άτομο, Τοποθεσία, Οργανισμός, Διάφορα (γενικός όρος). Ακόμα θα μελετήσουμε τη σημασία χρήσης ή μη, νέων χαρακτηριστικών μέσα από το σύνολο των δεδομένων, ειδικά εκείνων που δημιουργούνται από το ανθρώπινο χέρι. Για σωστή σύγκριση, χρησιμοποιούμε το ίδιο σύνολο δεδομένων για την εκπαίδευση του μοντέλου, με τον ίδιο τρόπο όπως χρησιμοποιείται και στα αντίστοιχα δημοσιεύματα. Η κάθε προσέγγιση αξιολογείται με βάση τις μετρήσεις ακρίβειας και ανάκλησης του F1-σκορ ανά τύπο οντότητας για κάθε νευρωνικό δίκτυο.","With the evolution of Artificial Intelligence (AI), every aspect in everyday life keeps changing. Multiple industries like education, transportation, health, gaming, social life, space industry and much more keep adjusting their way of working using AI techniques that provide automated procedures, less human errors and more efficiency and accuracy to delivering good products and services. The data plays a very important role to help the machine learn from the past, and to understand better the present and the future. The role of deep learning shows up in the need to make good use of text documents, journals, papers, and everything textual that can be found in the web (or not) and that is difficult to extract knowledge from it. Neural networks are applied via deep learning, and aim to recognize patterns by interpreting data through machine perception, data pre-processing, clustering and classification. Named Entity Recognition (NER) is one of the main tasks required for information extraction which targets on recognizing entities from unstructured text, and translating them into pre-defined subcategories, such as Person, Location, Organization, and more. The research that has been done around this domain is large enough to question and analyse what is the best technique or combination of techniques applied to extract the best result on NER. The goal of this thesis, is to investigate the existing progress in NLP, aiming at NER. Following publicly available documents and applications, we are exploring the differences among them, and we evaluate the extracted final results. We analyse multiple Natural Language Processing (NLP) techniques that have been implemented for NER shared tasks. We will compare and estimate state-of-the-art architectures for Neural networks (LSTM, CNN, RNN, CRF) aiming at identifying the following entity types: Person, Location, Organization, Misc (Miscellaneous, general term). Additionally, we will study the importance of using or not, hand-crafted or lexical features. For a fair comparison, we will use the same dataset to train the models, as described in the actual papers. Each approach is evaluated using precision, recall and F1 score."],"dc:identifier":["uoadl:2899797","https://pergamos.lib.uoa.gr/uoa/dl/object/2899797"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Αναγνώριση Ονομασμένων Οντοτήτων με χρήση Νευρωνικών Δικτύων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:38:09Z"}