{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3243366"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3243366","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανίχνευση Σαρκασμού στο Twitter με την Αξιοποίηση Τεχνικών Βαθιάς Μάθησης","abstract":"Η παρούσα έρευνα ασχολείται με το πρόβλημα της ανίχνευσης του σαρκασμού, σε τίτλους ειδήσεων του κοινωνικού δικτύου Twitter. Η μεταφορική γλώσσα, η οποία αποτελείται από στοιχεία όπως η ειρωνεία, ο σαρκασμός και η σάτιρα, έχει θεωρηθεί διάχυτο φαινόμενο σε πλατφόρμες κοινωνικής δικτύωσης όπως το Twitter (Cambria κ.ά., 2016). Συγκεκριμένα, η σατιρική / σαρκαστική ειδησεογραφία είναι ιδιαίτερα δημοφιλής στα κοινωνικά δίκτυα, στα οποία είναι σχετικά εύκολο να μιμηθεί κανείς μια αξιόπιστη πηγή ειδήσεων, και συχνά μπορεί να συγχέεται με αληθινές ειδήσεις. Η ανίχνευση του σαρκασμού είναι, επομένως, θεμελιώδης για ορισμένες προσεγγίσεις σε πεδία όπως η Ανάλυση Συναισθημάτων, καθώς οι εκφράσεις με ειρωνεία / σαρκασμό μπορούν να παίξουν το ρόλο των αντιστροφέων πολικότητας. Αρκετές υπολογιστικές προσεγγίσεις των οποίων ο στόχος είναι να εντοπιστεί η ειρωνεία, ο σαρκασμός και η σάτιρα έχουν εμφανιστεί τα τελευταία χρόνια και σε πολλές από αυτές οι όροι θεωρούνται συνώνυμοι. Η παρούσα έρευνα ακολουθεί αυτήν την προσέγγιση. Η σάτιρα είναι ένα σημαντικό γλωσσικό φαινόμενο που αποτελείται από τη χρήση του χιούμορ και της ειρωνείας για την κριτική και τη γελοιοποίηση κάποιου προσώπου ή μιας κατάστασης. Η σάτιρα ειδήσεων είναι ιδιαίτερα δημοφιλής στα κοινωνικά δίκτυα στα οποία είναι σχετικά εύκολο να μιμηθεί κανείς μια αξιόπιστη πηγή ειδήσεων. Ωστόσο, η σάτιρα ειδήσεων συχνά συγχέεται με αληθινές ειδήσεις, ειδικά όταν διαχωρίζεται από την αρχική της πηγή. Μερικές ελληνικές σατιρικές πηγές ειδήσεων είναι «Το Βατράχι» και «Το Κουλούρι». Για την ανίχνευση του σαρκασμού στα δεδομένα κειμένου στα ελληνικά, συλλέχθηκαν με το χέρι, μέσω του Twitter API, τίτλοι ειδήσεων από τις προαναφερθείσες πηγές σατιρικών ειδήσεων καθώς και από τους ειδησεογραφικούς ιστότοπους «CNN Greece» και «HuffPost Greece». Στη συνέχεια, δημιουργήθηκαν 7 μοντέλα νευρωνικών δικτύων τα οποία ήταν ένας συνδυασμός από Νευρωνικά Δίκτυα Μακράς Βραχυπρόθεσμης Μνήμης (LSTM), Αμφίδρομα Δίκτυα Μακράς Βραχύχρονης Μνήμης (BiLSTM), τα οποία τροφοδοτήθηκαν με προ-εκπαιδευμένες αναπαραστάσεις λέξεων (word embeddings). Αυτές οι αναπαραστάσεις έχουν δημιουργηθεί από τα γλωσσικά μοντέλα Word2Vec, FastText και Greek-BERT. Εφαρμόζεται και μία σειρά μεθόδων που χρησιμοποιούνται ως συγκριτικό σημείο αναφοράς (benchmark), όπως οι Bag-of-Words και οι TF-IDF σε συνδυασμό με παραδοσιακούς ταξινομητές μηχανικής μάθησης, όπως η Λογιστική Παλινδρόμηση, ο πολυωνυμικός Naïve Bayes ταξινομητής και Μηχανές Διανυσμάτων Υποστήριξης. Τα μοντέλα αυτά αξιολογήθηκαν με διάφορες μετρικές όπως η ακρίβεια (accuracy) και το F1 Score.","abstract_html":"Η παρούσα έρευνα ασχολείται με το πρόβλημα της ανίχνευσης του σαρκασμού, σε τίτλους ειδήσεων του κοινωνικού δικτύου Twitter. Η μεταφορική γλώσσα, η οποία αποτελείται από στοιχεία όπως η ειρωνεία, ο σαρκασμός και η σάτιρα, έχει θεωρηθεί διάχυτο φαινόμενο σε πλατφόρμες κοινωνικής δικτύωσης όπως το Twitter (Cambria κ.ά., 2016). Συγκεκριμένα, η σατιρική / σαρκαστική ειδησεογραφία είναι ιδιαίτερα δημοφιλής στα κοινωνικά δίκτυα, στα οποία είναι σχετικά εύκολο να μιμηθεί κανείς μια αξιόπιστη πηγή ειδήσεων, και συχνά μπορεί να συγχέεται με αληθινές ειδήσεις. Η ανίχνευση του σαρκασμού είναι, επομένως, θεμελιώδης για ορισμένες προσεγγίσεις σε πεδία όπως η Ανάλυση Συναισθημάτων, καθώς οι εκφράσεις με ειρωνεία / σαρκασμό μπορούν να παίξουν το ρόλο των αντιστροφέων πολικότητας. Αρκετές υπολογιστικές προσεγγίσεις των οποίων ο στόχος είναι να εντοπιστεί η ειρωνεία, ο σαρκασμός και η σάτιρα έχουν εμφανιστεί τα τελευταία χρόνια και σε πολλές από αυτές οι όροι θεωρούνται συνώνυμοι. Η παρούσα έρευνα ακολουθεί αυτήν την προσέγγιση. Η σάτιρα είναι ένα σημαντικό γλωσσικό φαινόμενο που αποτελείται από τη χρήση του χιούμορ και της ειρωνείας για την κριτική και τη γελοιοποίηση κάποιου προσώπου ή μιας κατάστασης. Η σάτιρα ειδήσεων είναι ιδιαίτερα δημοφιλής στα κοινωνικά δίκτυα στα οποία είναι σχετικά εύκολο να μιμηθεί κανείς μια αξιόπιστη πηγή ειδήσεων. Ωστόσο, η σάτιρα ειδήσεων συχνά συγχέεται με αληθινές ειδήσεις, ειδικά όταν διαχωρίζεται από την αρχική της πηγή. Μερικές ελληνικές σατιρικές πηγές ειδήσεων είναι «Το Βατράχι» και «Το Κουλούρι». Για την ανίχνευση του σαρκασμού στα δεδομένα κειμένου στα ελληνικά, συλλέχθηκαν με το χέρι, μέσω του Twitter API, τίτλοι ειδήσεων από τις προαναφερθείσες πηγές σατιρικών ειδήσεων καθώς και από τους ειδησεογραφικούς ιστότοπους «CNN Greece» και «HuffPost Greece». Στη συνέχεια, δημιουργήθηκαν 7 μοντέλα νευρωνικών δικτύων τα οποία ήταν ένας συνδυασμός από Νευρωνικά Δίκτυα Μακράς Βραχυπρόθεσμης Μνήμης (LSTM), Αμφίδρομα Δίκτυα Μακράς Βραχύχρονης Μνήμης (BiLSTM), τα οποία τροφοδοτήθηκαν με προ-εκπαιδευμένες αναπαραστάσεις λέξεων (word embeddings). Αυτές οι αναπαραστάσεις έχουν δημιουργηθεί από τα γλωσσικά μοντέλα Word2Vec, FastText και Greek-BERT. Εφαρμόζεται και μία σειρά μεθόδων που χρησιμοποιούνται ως συγκριτικό σημείο αναφοράς (benchmark), όπως οι Bag-of-Words και οι TF-IDF σε συνδυασμό με παραδοσιακούς ταξινομητές μηχανικής μάθησης, όπως η Λογιστική Παλινδρόμηση, ο πολυωνυμικός Naïve Bayes ταξινομητής και Μηχανές Διανυσμάτων Υποστήριξης. Τα μοντέλα αυτά αξιολογήθηκαν με διάφορες μετρικές όπως η ακρίβεια (accuracy) και το F1 Score.","abstract_has_math":false,"creators":["ΚΑΡΑΝΙΚΑ ΜΑΡΙΝΑ","ΓΕΩΡΓΙΟΥ ΔΗΜΗΤΡΑ","KARANIKA MARINA","GEORGIOU DIMITRA"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T06:20:03Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3243366"],"render_values":[{"text":"uoadl:3243366","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3243366","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3243366","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%3A3243366","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΚΑΡΑΝΙΚΑ ΜΑΡΙΝΑ","ΓΕΩΡΓΙΟΥ ΔΗΜΗΤΡΑ","KARANIKA MARINA","GEORGIOU DIMITRA"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"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":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3243366","https://pergamos.lib.uoa.gr/uoa/dl/object/3243366"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα έρευνα ασχολείται με το πρόβλημα της ανίχνευσης του σαρκασμού, σε τίτλους ειδήσεων του κοινωνικού δικτύου Twitter. Η μεταφορική γλώσσα, η οποία αποτελείται από στοιχεία όπως η ειρωνεία, ο σαρκασμός και η σάτιρα, έχει θεωρηθεί διάχυτο φαινόμενο σε πλατφόρμες κοινωνικής δικτύωσης όπως το Twitter (Cambria κ.ά., 2016). Συγκεκριμένα, η σατιρική / σαρκαστική ειδησεογραφία είναι ιδιαίτερα δημοφιλής στα κοινωνικά δίκτυα, στα οποία είναι σχετικά εύκολο να μιμηθεί κανείς μια αξιόπιστη πηγή ειδήσεων, και συχνά μπορεί να συγχέεται με αληθινές ειδήσεις. Η ανίχνευση του σαρκασμού είναι, επομένως, θεμελιώδης για ορισμένες προσεγγίσεις σε πεδία όπως η Ανάλυση Συναισθημάτων, καθώς οι εκφράσεις με ειρωνεία / σαρκασμό μπορούν να παίξουν το ρόλο των αντιστροφέων πολικότητας. Αρκετές υπολογιστικές προσεγγίσεις των οποίων ο στόχος είναι να εντοπιστεί η ειρωνεία, ο σαρκασμός και η σάτιρα έχουν εμφανιστεί τα τελευταία χρόνια και σε πολλές από αυτές οι όροι θεωρούνται συνώνυμοι. Η παρούσα έρευνα ακολουθεί αυτήν την προσέγγιση. Η σάτιρα είναι ένα σημαντικό γλωσσικό φαινόμενο που αποτελείται από τη χρήση του χιούμορ και της ειρωνείας για την κριτική και τη γελοιοποίηση κάποιου προσώπου ή μιας κατάστασης. Η σάτιρα ειδήσεων είναι ιδιαίτερα δημοφιλής στα κοινωνικά δίκτυα στα οποία είναι σχετικά εύκολο να μιμηθεί κανείς μια αξιόπιστη πηγή ειδήσεων. Ωστόσο, η σάτιρα ειδήσεων συχνά συγχέεται με αληθινές ειδήσεις, ειδικά όταν διαχωρίζεται από την αρχική της πηγή. Μερικές ελληνικές σατιρικές πηγές ειδήσεων είναι «Το Βατράχι» και «Το Κουλούρι». Για την ανίχνευση του σαρκασμού στα δεδομένα κειμένου στα ελληνικά, συλλέχθηκαν με το χέρι, μέσω του Twitter API, τίτλοι ειδήσεων από τις προαναφερθείσες πηγές σατιρικών ειδήσεων καθώς και από τους ειδησεογραφικούς ιστότοπους «CNN Greece» και «HuffPost Greece». Στη συνέχεια, δημιουργήθηκαν 7 μοντέλα νευρωνικών δικτύων τα οποία ήταν ένας συνδυασμός από Νευρωνικά Δίκτυα Μακράς Βραχυπρόθεσμης Μνήμης (LSTM), Αμφίδρομα Δίκτυα Μακράς Βραχύχρονης Μνήμης (BiLSTM), τα οποία τροφοδοτήθηκαν με προ-εκπαιδευμένες αναπαραστάσεις λέξεων (word embeddings). Αυτές οι αναπαραστάσεις έχουν δημιουργηθεί από τα γλωσσικά μοντέλα Word2Vec, FastText και Greek-BERT. Εφαρμόζεται και μία σειρά μεθόδων που χρησιμοποιούνται ως συγκριτικό σημείο αναφοράς (benchmark), όπως οι Bag-of-Words και οι TF-IDF σε συνδυασμό με παραδοσιακούς ταξινομητές μηχανικής μάθησης, όπως η Λογιστική Παλινδρόμηση, ο πολυωνυμικός Naïve Bayes ταξινομητής και Μηχανές Διανυσμάτων Υποστήριξης. Τα μοντέλα αυτά αξιολογήθηκαν με διάφορες μετρικές όπως η ακρίβεια (accuracy) και το F1 Score.","The present research concerns the detection of sarcasm in media headlines and in social media and the issues involving its processing. In the present Thesis, the detection of sarcasm as a Natural Language Processing (NLP) application is approached with the use of Artificial Neural Networks (NNNs) utilizing distributed representations of words (word embeddings). Figurative language, which consists of elements such as irony, sarcasm, and satire, has been considered a pervasive phenomenon in social networking platforms such as Twitter. Figurative language detection is, therefore, fundamental in some approaches in fields such as Sentiment Analysis, as ironic expressions can play the role of polarity reversers. Several computational approaches whose goal is to detect sarcasm and irony have emerged in recent years. However, sarcasm in combination with satire are issues that are seldom addressed in current research. Satire is an important linguistic phenomenon consisting of the use of humor and irony to criticize and ridicule a person or situation. Parody, burlesque, exaggeration, juxtaposition, comparison, analogy, and double entendre are often used in satirical speech and writing. Satirical journalism is a genre of parody that is presented as a typical form of mainstream journalism/news and is called satire because of its content. News satire is particularly popular on the web, and in particular on social networks where it is relatively easy to impersonate a credible news source and stories can achieve wide distribution from almost any site. However, news satire is often confused with real news, especially when separated from its original source, such as when a tweet from a satirical Twitter account is recommended via Facebook. The present research includes the processing of data from Modern Greek. The present research includes the processing of data from Modern Greek. Some Greek satirical news sources are “To Koulouri” and “To vatraxi”. To detect sarcasm in Greek text data, 7 neural network models were created which were a combination of Long Short-Term Memory (LSTM) Neural Networks, Bi-directional Long Short-Term Memory (BiLSTM) Networks, which were fed with pre-trained word representations (word embeddings). These representations are generated by the Word2Vec, FastText and Greek-BERT language models. A number of benchmark methods were also implemented, such as Bag-of-Words and TF-IDF in combination with traditional machine learning classifiers, such as Logistic Regression, polynomial Naïve Bayes classifier and Support Vector Machines. These models were evaluated with various metrics such as accuracy and F1 Score."]},{"key":"dc:title","label":"Title","values":["Ανίχνευση Σαρκασμού στο Twitter με την Αξιοποίηση Τεχνικών Βαθιάς Μάθησης"]}]}],"canonical_facts":{"dc:creator":["ΚΑΡΑΝΙΚΑ ΜΑΡΙΝΑ","ΓΕΩΡΓΙΟΥ ΔΗΜΗΤΡΑ","KARANIKA MARINA","GEORGIOU DIMITRA"],"dc:date":["2022"],"dc:description":["Η παρούσα έρευνα ασχολείται με το πρόβλημα της ανίχνευσης του σαρκασμού, σε τίτλους ειδήσεων του κοινωνικού δικτύου Twitter. Η μεταφορική γλώσσα, η οποία αποτελείται από στοιχεία όπως η ειρωνεία, ο σαρκασμός και η σάτιρα, έχει θεωρηθεί διάχυτο φαινόμενο σε πλατφόρμες κοινωνικής δικτύωσης όπως το Twitter (Cambria κ.ά., 2016). Συγκεκριμένα, η σατιρική / σαρκαστική ειδησεογραφία είναι ιδιαίτερα δημοφιλής στα κοινωνικά δίκτυα, στα οποία είναι σχετικά εύκολο να μιμηθεί κανείς μια αξιόπιστη πηγή ειδήσεων, και συχνά μπορεί να συγχέεται με αληθινές ειδήσεις. Η ανίχνευση του σαρκασμού είναι, επομένως, θεμελιώδης για ορισμένες προσεγγίσεις σε πεδία όπως η Ανάλυση Συναισθημάτων, καθώς οι εκφράσεις με ειρωνεία / σαρκασμό μπορούν να παίξουν το ρόλο των αντιστροφέων πολικότητας. Αρκετές υπολογιστικές προσεγγίσεις των οποίων ο στόχος είναι να εντοπιστεί η ειρωνεία, ο σαρκασμός και η σάτιρα έχουν εμφανιστεί τα τελευταία χρόνια και σε πολλές από αυτές οι όροι θεωρούνται συνώνυμοι. Η παρούσα έρευνα ακολουθεί αυτήν την προσέγγιση. Η σάτιρα είναι ένα σημαντικό γλωσσικό φαινόμενο που αποτελείται από τη χρήση του χιούμορ και της ειρωνείας για την κριτική και τη γελοιοποίηση κάποιου προσώπου ή μιας κατάστασης. Η σάτιρα ειδήσεων είναι ιδιαίτερα δημοφιλής στα κοινωνικά δίκτυα στα οποία είναι σχετικά εύκολο να μιμηθεί κανείς μια αξιόπιστη πηγή ειδήσεων. Ωστόσο, η σάτιρα ειδήσεων συχνά συγχέεται με αληθινές ειδήσεις, ειδικά όταν διαχωρίζεται από την αρχική της πηγή. Μερικές ελληνικές σατιρικές πηγές ειδήσεων είναι «Το Βατράχι» και «Το Κουλούρι». Για την ανίχνευση του σαρκασμού στα δεδομένα κειμένου στα ελληνικά, συλλέχθηκαν με το χέρι, μέσω του Twitter API, τίτλοι ειδήσεων από τις προαναφερθείσες πηγές σατιρικών ειδήσεων καθώς και από τους ειδησεογραφικούς ιστότοπους «CNN Greece» και «HuffPost Greece». Στη συνέχεια, δημιουργήθηκαν 7 μοντέλα νευρωνικών δικτύων τα οποία ήταν ένας συνδυασμός από Νευρωνικά Δίκτυα Μακράς Βραχυπρόθεσμης Μνήμης (LSTM), Αμφίδρομα Δίκτυα Μακράς Βραχύχρονης Μνήμης (BiLSTM), τα οποία τροφοδοτήθηκαν με προ-εκπαιδευμένες αναπαραστάσεις λέξεων (word embeddings). Αυτές οι αναπαραστάσεις έχουν δημιουργηθεί από τα γλωσσικά μοντέλα Word2Vec, FastText και Greek-BERT. Εφαρμόζεται και μία σειρά μεθόδων που χρησιμοποιούνται ως συγκριτικό σημείο αναφοράς (benchmark), όπως οι Bag-of-Words και οι TF-IDF σε συνδυασμό με παραδοσιακούς ταξινομητές μηχανικής μάθησης, όπως η Λογιστική Παλινδρόμηση, ο πολυωνυμικός Naïve Bayes ταξινομητής και Μηχανές Διανυσμάτων Υποστήριξης. Τα μοντέλα αυτά αξιολογήθηκαν με διάφορες μετρικές όπως η ακρίβεια (accuracy) και το F1 Score.","The present research concerns the detection of sarcasm in media headlines and in social media and the issues involving its processing. In the present Thesis, the detection of sarcasm as a Natural Language Processing (NLP) application is approached with the use of Artificial Neural Networks (NNNs) utilizing distributed representations of words (word embeddings). Figurative language, which consists of elements such as irony, sarcasm, and satire, has been considered a pervasive phenomenon in social networking platforms such as Twitter. Figurative language detection is, therefore, fundamental in some approaches in fields such as Sentiment Analysis, as ironic expressions can play the role of polarity reversers. Several computational approaches whose goal is to detect sarcasm and irony have emerged in recent years. However, sarcasm in combination with satire are issues that are seldom addressed in current research. Satire is an important linguistic phenomenon consisting of the use of humor and irony to criticize and ridicule a person or situation. Parody, burlesque, exaggeration, juxtaposition, comparison, analogy, and double entendre are often used in satirical speech and writing. Satirical journalism is a genre of parody that is presented as a typical form of mainstream journalism/news and is called satire because of its content. News satire is particularly popular on the web, and in particular on social networks where it is relatively easy to impersonate a credible news source and stories can achieve wide distribution from almost any site. However, news satire is often confused with real news, especially when separated from its original source, such as when a tweet from a satirical Twitter account is recommended via Facebook. The present research includes the processing of data from Modern Greek. The present research includes the processing of data from Modern Greek. Some Greek satirical news sources are “To Koulouri” and “To vatraxi”. To detect sarcasm in Greek text data, 7 neural network models were created which were a combination of Long Short-Term Memory (LSTM) Neural Networks, Bi-directional Long Short-Term Memory (BiLSTM) Networks, which were fed with pre-trained word representations (word embeddings). These representations are generated by the Word2Vec, FastText and Greek-BERT language models. A number of benchmark methods were also implemented, such as Bag-of-Words and TF-IDF in combination with traditional machine learning classifiers, such as Logistic Regression, polynomial Naïve Bayes classifier and Support Vector Machines. These models were evaluated with various metrics such as accuracy and F1 Score."],"dc:identifier":["uoadl:3243366","https://pergamos.lib.uoa.gr/uoa/dl/object/3243366"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ανίχνευση Σαρκασμού στο Twitter με την Αξιοποίηση Τεχνικών Βαθιάς Μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:20:03Z"}