{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3361088"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3361088","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ταξινόμηση κειμένου πολλαπλών ετικετών στα είδη των ταινιών","abstract":"Αυτή η διπλωματική εργασία, πραγματεύεται το θέμα της ταξινόμησης κειμένου πολλαπλών ετικετών, που ανήκει στο πεδίο της επιστήμης της επιβλεπόμενης Μηχανικής Μάθησης. Ειδικότερα, η εργασία αυτή έχει ως στόχο, την ταξινόμηση της περιγραφής κάθε ταινίας στις πολλαπλές ετικέτες, που αναφέρονται στα είδη ταινίας, καθώς η έρευνα βασίστηκε σε ένα σύνολο δεδομένων με δεδομένα ταινιών. Σε αρχικό στάδιο γίνεται η ανασκόπηση βιβλιογραφίας, αναφέροντας του βασικούς όρους της μηχανικής μάθησης και σε συνέχεια αναλύεται η έννοια της ταξινόμησης κειμένου, της ταξινόμησης πολλαπλών ετικετών αλλά και των μεθόδων που εφαρμόστηκαν στο επόμενο στάδιο. Έπειτα ακολουθεί το κύριο σκέλος της εργασίας όπου απαρτίζεται αρχικά από την επεξήγηση του συνόλου δεδομένων και της ανάλυσης του μέσω της περιγραφικής στατιστικής. Ακολουθεί ο μετασχηματισμός των ετικετών με την μέθοδο του Binary Relevance και η εξαγωγή των χαρακτηριστικών κειμένου με την μέθοδο TF-IDF. Οι αλγόριθμοι που επιλέχθηκαν για την πρόβλεψη των ετικετών των ειδών κάθε ταινίας με βάση την περιγραφή κάθε ταινίας ήταν, η Λογιστική Παλινδρόμηση και ο MLP ταξινομητής. Για την αξιολόγηση του κάθε ταξινομητή λήφθηκαν υπόψιν τρία μέτρα εκτίμησης, το recall, το precision και το f1 score και πραγματοποιήθηκαν δοκιμές έτσι ώστε να επιλεχθεί η καλύτερη απόδοση κάθε μοντέλου. Τέλος, αναλύονται τα συμπεράσματα, από τα αποτελέσματα του κάθε ταξινομητή και γίνεται η επιλογή του καλύτερου μοντέλου για την ταξινόμηση, κάνοντας μια αναφορά στο τέλος, για προοπτικές εξέλιξης της εργασίας αυτής στο μέλλον.","abstract_html":"Αυτή η διπλωματική εργασία, πραγματεύεται το θέμα της ταξινόμησης κειμένου πολλαπλών ετικετών, που ανήκει στο πεδίο της επιστήμης της επιβλεπόμενης Μηχανικής Μάθησης. Ειδικότερα, η εργασία αυτή έχει ως στόχο, την ταξινόμηση της περιγραφής κάθε ταινίας στις πολλαπλές ετικέτες, που αναφέρονται στα είδη ταινίας, καθώς η έρευνα βασίστηκε σε ένα σύνολο δεδομένων με δεδομένα ταινιών. Σε αρχικό στάδιο γίνεται η ανασκόπηση βιβλιογραφίας, αναφέροντας του βασικούς όρους της μηχανικής μάθησης και σε συνέχεια αναλύεται η έννοια της ταξινόμησης κειμένου, της ταξινόμησης πολλαπλών ετικετών αλλά και των μεθόδων που εφαρμόστηκαν στο επόμενο στάδιο. Έπειτα ακολουθεί το κύριο σκέλος της εργασίας όπου απαρτίζεται αρχικά από την επεξήγηση του συνόλου δεδομένων και της ανάλυσης του μέσω της περιγραφικής στατιστικής. Ακολουθεί ο μετασχηματισμός των ετικετών με την μέθοδο του Binary Relevance και η εξαγωγή των χαρακτηριστικών κειμένου με την μέθοδο TF-IDF. Οι αλγόριθμοι που επιλέχθηκαν για την πρόβλεψη των ετικετών των ειδών κάθε ταινίας με βάση την περιγραφή κάθε ταινίας ήταν, η Λογιστική Παλινδρόμηση και ο MLP ταξινομητής. Για την αξιολόγηση του κάθε ταξινομητή λήφθηκαν υπόψιν τρία μέτρα εκτίμησης, το recall, το precision και το f1 score και πραγματοποιήθηκαν δοκιμές έτσι ώστε να επιλεχθεί η καλύτερη απόδοση κάθε μοντέλου. Τέλος, αναλύονται τα συμπεράσματα, από τα αποτελέσματα του κάθε ταξινομητή και γίνεται η επιλογή του καλύτερου μοντέλου για την ταξινόμηση, κάνοντας μια αναφορά στο τέλος, για προοπτικές εξέλιξης της εργασίας αυτής στο μέλλον.","abstract_has_math":false,"creators":["Πολίτη Μάρθα-Ελένη","Politi Martha-Eleni"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:23:53Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek","English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3361088"],"render_values":[{"text":"uoadl:3361088","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3361088","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3361088","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%3A3361088","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πολίτη Μάρθα-Ελένη","Politi Martha-Eleni"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"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","English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3361088","https://pergamos.lib.uoa.gr/uoa/dl/object/3361088"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αυτή η διπλωματική εργασία, πραγματεύεται το θέμα της ταξινόμησης κειμένου πολλαπλών ετικετών, που ανήκει στο πεδίο της επιστήμης της επιβλεπόμενης Μηχανικής Μάθησης. Ειδικότερα, η εργασία αυτή έχει ως στόχο, την ταξινόμηση της περιγραφής κάθε ταινίας στις πολλαπλές ετικέτες, που αναφέρονται στα είδη ταινίας, καθώς η έρευνα βασίστηκε σε ένα σύνολο δεδομένων με δεδομένα ταινιών. Σε αρχικό στάδιο γίνεται η ανασκόπηση βιβλιογραφίας, αναφέροντας του βασικούς όρους της μηχανικής μάθησης και σε συνέχεια αναλύεται η έννοια της ταξινόμησης κειμένου, της ταξινόμησης πολλαπλών ετικετών αλλά και των μεθόδων που εφαρμόστηκαν στο επόμενο στάδιο. Έπειτα ακολουθεί το κύριο σκέλος της εργασίας όπου απαρτίζεται αρχικά από την επεξήγηση του συνόλου δεδομένων και της ανάλυσης του μέσω της περιγραφικής στατιστικής. Ακολουθεί ο μετασχηματισμός των ετικετών με την μέθοδο του Binary Relevance και η εξαγωγή των χαρακτηριστικών κειμένου με την μέθοδο TF-IDF. Οι αλγόριθμοι που επιλέχθηκαν για την πρόβλεψη των ετικετών των ειδών κάθε ταινίας με βάση την περιγραφή κάθε ταινίας ήταν, η Λογιστική Παλινδρόμηση και ο MLP ταξινομητής. Για την αξιολόγηση του κάθε ταξινομητή λήφθηκαν υπόψιν τρία μέτρα εκτίμησης, το recall, το precision και το f1 score και πραγματοποιήθηκαν δοκιμές έτσι ώστε να επιλεχθεί η καλύτερη απόδοση κάθε μοντέλου. Τέλος, αναλύονται τα συμπεράσματα, από τα αποτελέσματα του κάθε ταξινομητή και γίνεται η επιλογή του καλύτερου μοντέλου για την ταξινόμηση, κάνοντας μια αναφορά στο τέλος, για προοπτικές εξέλιξης της εργασίας αυτής στο μέλλον.","This master thesis deals with the topic of multi-label text classification which belongs to the field of supervised Machine Learning. In particular, this thesis aims to classify the description of each movie into the multiple labels that refer to movie genres, as the research is based on a dataset of movie data. Initially, a literature review is conducted, referring to the basic terms of machine learning, followed by an analysis of the concept of text classification, multi-label classification, and the methods applied in the next stage. This is followed by the main part of the paper where it consists firstly of explaining the dataset and its analysis through descriptive statistics. The transformation of labels with the Binary Relevance method and the extraction of text characteristics with the TF-IDF method follow. The algorithms selected to predict the labels of the genres of each movie based on the description of each movie were the Logistic Regression and MLP classifier. To evaluate the performance of each classifier, three estimation measures were considered, recall, precision, and f1 score, and tests were performed to select the best performance of each model. The conclusions from the results of each classifier were analysed and the best model for the classification was selected. Finally, possible improvements and future research directions are discussed."]},{"key":"dc:title","label":"Title","values":["Ταξινόμηση κειμένου πολλαπλών ετικετών στα είδη των ταινιών"]}]}],"canonical_facts":{"dc:creator":["Πολίτη Μάρθα-Ελένη","Politi Martha-Eleni"],"dc:date":["2023"],"dc:description":["Αυτή η διπλωματική εργασία, πραγματεύεται το θέμα της ταξινόμησης κειμένου πολλαπλών ετικετών, που ανήκει στο πεδίο της επιστήμης της επιβλεπόμενης Μηχανικής Μάθησης. Ειδικότερα, η εργασία αυτή έχει ως στόχο, την ταξινόμηση της περιγραφής κάθε ταινίας στις πολλαπλές ετικέτες, που αναφέρονται στα είδη ταινίας, καθώς η έρευνα βασίστηκε σε ένα σύνολο δεδομένων με δεδομένα ταινιών. Σε αρχικό στάδιο γίνεται η ανασκόπηση βιβλιογραφίας, αναφέροντας του βασικούς όρους της μηχανικής μάθησης και σε συνέχεια αναλύεται η έννοια της ταξινόμησης κειμένου, της ταξινόμησης πολλαπλών ετικετών αλλά και των μεθόδων που εφαρμόστηκαν στο επόμενο στάδιο. Έπειτα ακολουθεί το κύριο σκέλος της εργασίας όπου απαρτίζεται αρχικά από την επεξήγηση του συνόλου δεδομένων και της ανάλυσης του μέσω της περιγραφικής στατιστικής. Ακολουθεί ο μετασχηματισμός των ετικετών με την μέθοδο του Binary Relevance και η εξαγωγή των χαρακτηριστικών κειμένου με την μέθοδο TF-IDF. Οι αλγόριθμοι που επιλέχθηκαν για την πρόβλεψη των ετικετών των ειδών κάθε ταινίας με βάση την περιγραφή κάθε ταινίας ήταν, η Λογιστική Παλινδρόμηση και ο MLP ταξινομητής. Για την αξιολόγηση του κάθε ταξινομητή λήφθηκαν υπόψιν τρία μέτρα εκτίμησης, το recall, το precision και το f1 score και πραγματοποιήθηκαν δοκιμές έτσι ώστε να επιλεχθεί η καλύτερη απόδοση κάθε μοντέλου. Τέλος, αναλύονται τα συμπεράσματα, από τα αποτελέσματα του κάθε ταξινομητή και γίνεται η επιλογή του καλύτερου μοντέλου για την ταξινόμηση, κάνοντας μια αναφορά στο τέλος, για προοπτικές εξέλιξης της εργασίας αυτής στο μέλλον.","This master thesis deals with the topic of multi-label text classification which belongs to the field of supervised Machine Learning. In particular, this thesis aims to classify the description of each movie into the multiple labels that refer to movie genres, as the research is based on a dataset of movie data. Initially, a literature review is conducted, referring to the basic terms of machine learning, followed by an analysis of the concept of text classification, multi-label classification, and the methods applied in the next stage. This is followed by the main part of the paper where it consists firstly of explaining the dataset and its analysis through descriptive statistics. The transformation of labels with the Binary Relevance method and the extraction of text characteristics with the TF-IDF method follow. The algorithms selected to predict the labels of the genres of each movie based on the description of each movie were the Logistic Regression and MLP classifier. To evaluate the performance of each classifier, three estimation measures were considered, recall, precision, and f1 score, and tests were performed to select the best performance of each model. The conclusions from the results of each classifier were analysed and the best model for the classification was selected. Finally, possible improvements and future research directions are discussed."],"dc:identifier":["uoadl:3361088","https://pergamos.lib.uoa.gr/uoa/dl/object/3361088"],"dc:language":["Ελληνικά","Greek","English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ταξινόμηση κειμένου πολλαπλών ετικετών στα είδη των ταινιών"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:23:53Z"}