{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3388955"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3388955","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάλυση Συναισθημάτων σε Κείμενα Κοινωνικών Δικτύων με Εστίαση σε Ελληνικά Tweets","abstract":"Η Ανάλυση Συναισθήματος γνωστή και ως εξόρυξη γνώμης, είναι η χρήση της φυσικής γλώσσας, της ανάλυσης κειμένου και της Υπολογιστικής Γλωσσολογίας για την εξαγωγή, ποσοτικοποίηση και μελέτη συναισθηματικών καταστάσεων και υποκειμενικών πληροφοριών σε εφαρμογές των Social Media και σε ποικίλες κατηγορίες χρηστών. Το Sentiment Analysis είναι ένα εξελισσόμενο πεδίο στους ερευνητικούς τομείς της Τεχνητής Νοημοσύνης (ΑΙ), της Μηχανικής Μάθησης (ML), της Υπολογιστικής Γλωσσολογίας (CL) και της Επεξεργασίας Φυσικής Γλώσσας (NLP). Η παρούσα διατριβή εστιάζει στη διερεύνηση τεχνικών ανάλυσης συναισθήματος για τα ελληνικά δεδομένα Twitter χρησιμοποιώντας προσεγγίσεις μηχανικής μάθησης. Ο κύριος στόχος είναι η ανάπτυξη και αξιολόγηση μοντέλων για την ακριβή πρόβλεψη του συναισθήματος στα ελληνικά tweets. Η μελέτη ξεκινά συλλέγοντας ένα σημαντικό σύνολο δεδομένων ελληνικών tweets από το Kaggle.com. Προεπεξεργάζεται τα δεδομένα για να εξασφαλίσει την καταλληλόλητά τους για ανάλυση συναισθήματος. Διάφοροι ταξινομητές μηχανικής μάθησης, συμπεριλαμβανομένων των μηχανών υποστήριξης διανυσμάτων (SVM) και ταξινομητών που βασίζονται στο TF-IDF, διερευνώνται και συγκρίνονται για να προσδιοριστεί η αποτελεσματικότητά τους στην ανάλυση συναισθήματος των ελληνικών δεδομένων Twitter. Οι ταξινομητές εκπαιδεύονται στα προεπεξεργασμένα ελληνικά tweets και η απόδοσή τους αξιολογείται χρησιμοποιώντας μετρήσεις όπως η ακρίβεια (accuracy), η ακρίβεια (precision), η ανάκληση (recall ) και η βαθμολογία F1 (f1-score). Στη συνέχεια, τα εκπαιδευμένα μοντέλα εφαρμόζονται για την πρόβλεψη του συναισθήματος για νέα ελληνικά tweets και η απόδοσή τους αναλύεται για να διασφαλιστεί η γενίκευσή τους. Η έρευνα στοχεύει στην κατανόηση των συναισθημάτων και της δυναμικής στο ελληνικό πλαίσιο, παρέχοντας πολύτιμες γνώσεις σχετικά με τη διανομή θετικών, αρνητικών και ουδέτερων συναισθημάτων στα ελληνικά tweets. Επιπλέον, η διατριβή συμβάλλει στην ανάπτυξη γλωσσικών πόρων και εργαλείων ανάλυσης συναισθημάτων ειδικά προσαρμοσμένων για την ελληνική γλώσσα, λαμβάνοντας υπόψη τα μοναδικά γλωσσικά χαρακτηριστικά και τις προκλήσεις της. Καταδεικνύονται οι πρακτικές εφαρμογές της ανάλυσης συναισθήματος στα ελληνικά δεδομένα του Twitter, υπογραμμίζοντας τη συνάφειά της στην παρακολούθηση επωνυμίας, την έρευνα αγοράς και την ανάλυση κοινωνικών τάσεων στην ελληνική γλώσσα. Συνολικά, αυτή η διατριβή συμβάλλει στον αυξανόμενο όγκο γνώσεων σχετικά με τις τεχνικές ανάλυσης συναισθήματος για την ελληνική γλώσσα και καταδεικνύει την πρακτική χρησιμότητά τους στην ανάλυση συναισθημάτων στα ελληνικά δεδομένα του Twitter. Οι επιπτώσεις της έρευνας υπογραμμίζουν τη σημασία της ανάλυσης συναισθήματος για την κατανόηση του συναισθήματος των χρηστών στο διαδίκτυο και των επιπτώσεών του στη λήψη αποφάσεων και στην επικοινωνία στο ελληνικό τοπίο των μέσων κοινωνικής δικτύωσης.","abstract_html":"Η Ανάλυση Συναισθήματος γνωστή και ως εξόρυξη γνώμης, είναι η χρήση της φυσικής γλώσσας, της ανάλυσης κειμένου και της Υπολογιστικής Γλωσσολογίας για την εξαγωγή, ποσοτικοποίηση και μελέτη συναισθηματικών καταστάσεων και υποκειμενικών πληροφοριών σε εφαρμογές των Social Media και σε ποικίλες κατηγορίες χρηστών. Το Sentiment Analysis είναι ένα εξελισσόμενο πεδίο στους ερευνητικούς τομείς της Τεχνητής Νοημοσύνης (ΑΙ), της Μηχανικής Μάθησης (ML), της Υπολογιστικής Γλωσσολογίας (CL) και της Επεξεργασίας Φυσικής Γλώσσας (NLP). Η παρούσα διατριβή εστιάζει στη διερεύνηση τεχνικών ανάλυσης συναισθήματος για τα ελληνικά δεδομένα Twitter χρησιμοποιώντας προσεγγίσεις μηχανικής μάθησης. Ο κύριος στόχος είναι η ανάπτυξη και αξιολόγηση μοντέλων για την ακριβή πρόβλεψη του συναισθήματος στα ελληνικά tweets. Η μελέτη ξεκινά συλλέγοντας ένα σημαντικό σύνολο δεδομένων ελληνικών tweets από το Kaggle.com. Προεπεξεργάζεται τα δεδομένα για να εξασφαλίσει την καταλληλόλητά τους για ανάλυση συναισθήματος. Διάφοροι ταξινομητές μηχανικής μάθησης, συμπεριλαμβανομένων των μηχανών υποστήριξης διανυσμάτων (SVM) και ταξινομητών που βασίζονται στο TF-IDF, διερευνώνται και συγκρίνονται για να προσδιοριστεί η αποτελεσματικότητά τους στην ανάλυση συναισθήματος των ελληνικών δεδομένων Twitter. Οι ταξινομητές εκπαιδεύονται στα προεπεξεργασμένα ελληνικά tweets και η απόδοσή τους αξιολογείται χρησιμοποιώντας μετρήσεις όπως η ακρίβεια (accuracy), η ακρίβεια (precision), η ανάκληση (recall ) και η βαθμολογία F1 (f1-score). Στη συνέχεια, τα εκπαιδευμένα μοντέλα εφαρμόζονται για την πρόβλεψη του συναισθήματος για νέα ελληνικά tweets και η απόδοσή τους αναλύεται για να διασφαλιστεί η γενίκευσή τους. Η έρευνα στοχεύει στην κατανόηση των συναισθημάτων και της δυναμικής στο ελληνικό πλαίσιο, παρέχοντας πολύτιμες γνώσεις σχετικά με τη διανομή θετικών, αρνητικών και ουδέτερων συναισθημάτων στα ελληνικά tweets. Επιπλέον, η διατριβή συμβάλλει στην ανάπτυξη γλωσσικών πόρων και εργαλείων ανάλυσης συναισθημάτων ειδικά προσαρμοσμένων για την ελληνική γλώσσα, λαμβάνοντας υπόψη τα μοναδικά γλωσσικά χαρακτηριστικά και τις προκλήσεις της. Καταδεικνύονται οι πρακτικές εφαρμογές της ανάλυσης συναισθήματος στα ελληνικά δεδομένα του Twitter, υπογραμμίζοντας τη συνάφειά της στην παρακολούθηση επωνυμίας, την έρευνα αγοράς και την ανάλυση κοινωνικών τάσεων στην ελληνική γλώσσα. Συνολικά, αυτή η διατριβή συμβάλλει στον αυξανόμενο όγκο γνώσεων σχετικά με τις τεχνικές ανάλυσης συναισθήματος για την ελληνική γλώσσα και καταδεικνύει την πρακτική χρησιμότητά τους στην ανάλυση συναισθημάτων στα ελληνικά δεδομένα του Twitter. Οι επιπτώσεις της έρευνας υπογραμμίζουν τη σημασία της ανάλυσης συναισθήματος για την κατανόηση του συναισθήματος των χρηστών στο διαδίκτυο και των επιπτώσεών του στη λήψη αποφάσεων και στην επικοινωνία στο ελληνικό τοπίο των μέσων κοινωνικής δικτύωσης.","abstract_has_math":false,"creators":["Μπέντη Άννα","Benti Anna"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:27:53Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3388955"],"render_values":[{"text":"uoadl:3388955","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3388955","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3388955","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%3A3388955","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπέντη Άννα","Benti Anna"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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":["Θετικές Επιστήμες","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:3388955","https://pergamos.lib.uoa.gr/uoa/dl/object/3388955"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Ανάλυση Συναισθήματος γνωστή και ως εξόρυξη γνώμης, είναι η χρήση της φυσικής γλώσσας, της ανάλυσης κειμένου και της Υπολογιστικής Γλωσσολογίας για την εξαγωγή, ποσοτικοποίηση και μελέτη συναισθηματικών καταστάσεων και υποκειμενικών πληροφοριών σε εφαρμογές των Social Media και σε ποικίλες κατηγορίες χρηστών. Το Sentiment Analysis είναι ένα εξελισσόμενο πεδίο στους ερευνητικούς τομείς της Τεχνητής Νοημοσύνης (ΑΙ), της Μηχανικής Μάθησης (ML), της Υπολογιστικής Γλωσσολογίας (CL) και της Επεξεργασίας Φυσικής Γλώσσας (NLP). Η παρούσα διατριβή εστιάζει στη διερεύνηση τεχνικών ανάλυσης συναισθήματος για τα ελληνικά δεδομένα Twitter χρησιμοποιώντας προσεγγίσεις μηχανικής μάθησης. Ο κύριος στόχος είναι η ανάπτυξη και αξιολόγηση μοντέλων για την ακριβή πρόβλεψη του συναισθήματος στα ελληνικά tweets. Η μελέτη ξεκινά συλλέγοντας ένα σημαντικό σύνολο δεδομένων ελληνικών tweets από το Kaggle.com. Προεπεξεργάζεται τα δεδομένα για να εξασφαλίσει την καταλληλόλητά τους για ανάλυση συναισθήματος. Διάφοροι ταξινομητές μηχανικής μάθησης, συμπεριλαμβανομένων των μηχανών υποστήριξης διανυσμάτων (SVM) και ταξινομητών που βασίζονται στο TF-IDF, διερευνώνται και συγκρίνονται για να προσδιοριστεί η αποτελεσματικότητά τους στην ανάλυση συναισθήματος των ελληνικών δεδομένων Twitter. Οι ταξινομητές εκπαιδεύονται στα προεπεξεργασμένα ελληνικά tweets και η απόδοσή τους αξιολογείται χρησιμοποιώντας μετρήσεις όπως η ακρίβεια (accuracy), η ακρίβεια (precision), η ανάκληση (recall ) και η βαθμολογία F1 (f1-score). Στη συνέχεια, τα εκπαιδευμένα μοντέλα εφαρμόζονται για την πρόβλεψη του συναισθήματος για νέα ελληνικά tweets και η απόδοσή τους αναλύεται για να διασφαλιστεί η γενίκευσή τους. Η έρευνα στοχεύει στην κατανόηση των συναισθημάτων και της δυναμικής στο ελληνικό πλαίσιο, παρέχοντας πολύτιμες γνώσεις σχετικά με τη διανομή θετικών, αρνητικών και ουδέτερων συναισθημάτων στα ελληνικά tweets. Επιπλέον, η διατριβή συμβάλλει στην ανάπτυξη γλωσσικών πόρων και εργαλείων ανάλυσης συναισθημάτων ειδικά προσαρμοσμένων για την ελληνική γλώσσα, λαμβάνοντας υπόψη τα μοναδικά γλωσσικά χαρακτηριστικά και τις προκλήσεις της. Καταδεικνύονται οι πρακτικές εφαρμογές της ανάλυσης συναισθήματος στα ελληνικά δεδομένα του Twitter, υπογραμμίζοντας τη συνάφειά της στην παρακολούθηση επωνυμίας, την έρευνα αγοράς και την ανάλυση κοινωνικών τάσεων στην ελληνική γλώσσα. Συνολικά, αυτή η διατριβή συμβάλλει στον αυξανόμενο όγκο γνώσεων σχετικά με τις τεχνικές ανάλυσης συναισθήματος για την ελληνική γλώσσα και καταδεικνύει την πρακτική χρησιμότητά τους στην ανάλυση συναισθημάτων στα ελληνικά δεδομένα του Twitter. Οι επιπτώσεις της έρευνας υπογραμμίζουν τη σημασία της ανάλυσης συναισθήματος για την κατανόηση του συναισθήματος των χρηστών στο διαδίκτυο και των επιπτώσεών του στη λήψη αποφάσεων και στην επικοινωνία στο ελληνικό τοπίο των μέσων κοινωνικής δικτύωσης.","Sentiment Analysis, also known as opinion mining, is the use of natural language, text analysis and Computational Linguistics to extract, quantify and study emotional states and subjective information in Social Media applications and various categories of users. Sentiment Analysis is an evolving field in the research fields of Artificial Intelligence (AI), Machine Learning (ML), Computational Linguistics (CL) and Natural Language Processing (NLP). This thesis focuses on investigating sentiment analysis techniques for Greek Twitter data using machine learning approaches. The main goal is to develop and evaluate models for the accurate prediction of sentiment in Greek tweets. The study begins by collecting a significant dataset of Greek tweets from sources such as Kaggle.com. It pre-processes the data to ensure its suitability for sentiment analysis. Various machine learning classifiers, including support vector machines (SVM) and TF-IDF-based classifiers, are investigated and compared to determine their effectiveness in sentiment analysis of Greek Twitter data. The classifiers are trained on the pre-processed Greek tweets and their performance is evaluated using metrics such as accuracy, precision, recall and F1-score. The trained models are then applied to predict sentiment for new Greek tweets and their performance is analyzed to ensure their generalizability. The research aims to understand emotions and dynamics in the Greek context, providing valuable insights into the distribution of positive, negative and neutral emotions in Greek tweets. In addition, the thesis contributes to the development of language resources and sentiment analysis tools specifically adapted for the Greek language, taking into account its unique linguistic characteristics and challenges. Practical applications of sentiment analysis on Greek Twitter data are demonstrated, highlighting its relevance in brand monitoring, market research and social trend analysis in the Greek language. Overall, this thesis contributes to the growing body of knowledge on sentiment analysis techniques for the Greek language and demonstrates their practical utility in sentiment analysis on Greek Twitter data. The implications of the research highlight the importance of sentiment analysis for understanding user sentiment online and its impact on decision-making and communication in the Greek social media landscape."]},{"key":"dc:title","label":"Title","values":["Ανάλυση Συναισθημάτων σε Κείμενα Κοινωνικών Δικτύων με Εστίαση σε Ελληνικά Tweets"]}]}],"canonical_facts":{"dc:creator":["Μπέντη Άννα","Benti Anna"],"dc:date":["2024"],"dc:description":["Η Ανάλυση Συναισθήματος γνωστή και ως εξόρυξη γνώμης, είναι η χρήση της φυσικής γλώσσας, της ανάλυσης κειμένου και της Υπολογιστικής Γλωσσολογίας για την εξαγωγή, ποσοτικοποίηση και μελέτη συναισθηματικών καταστάσεων και υποκειμενικών πληροφοριών σε εφαρμογές των Social Media και σε ποικίλες κατηγορίες χρηστών. Το Sentiment Analysis είναι ένα εξελισσόμενο πεδίο στους ερευνητικούς τομείς της Τεχνητής Νοημοσύνης (ΑΙ), της Μηχανικής Μάθησης (ML), της Υπολογιστικής Γλωσσολογίας (CL) και της Επεξεργασίας Φυσικής Γλώσσας (NLP). Η παρούσα διατριβή εστιάζει στη διερεύνηση τεχνικών ανάλυσης συναισθήματος για τα ελληνικά δεδομένα Twitter χρησιμοποιώντας προσεγγίσεις μηχανικής μάθησης. Ο κύριος στόχος είναι η ανάπτυξη και αξιολόγηση μοντέλων για την ακριβή πρόβλεψη του συναισθήματος στα ελληνικά tweets. Η μελέτη ξεκινά συλλέγοντας ένα σημαντικό σύνολο δεδομένων ελληνικών tweets από το Kaggle.com. Προεπεξεργάζεται τα δεδομένα για να εξασφαλίσει την καταλληλόλητά τους για ανάλυση συναισθήματος. Διάφοροι ταξινομητές μηχανικής μάθησης, συμπεριλαμβανομένων των μηχανών υποστήριξης διανυσμάτων (SVM) και ταξινομητών που βασίζονται στο TF-IDF, διερευνώνται και συγκρίνονται για να προσδιοριστεί η αποτελεσματικότητά τους στην ανάλυση συναισθήματος των ελληνικών δεδομένων Twitter. Οι ταξινομητές εκπαιδεύονται στα προεπεξεργασμένα ελληνικά tweets και η απόδοσή τους αξιολογείται χρησιμοποιώντας μετρήσεις όπως η ακρίβεια (accuracy), η ακρίβεια (precision), η ανάκληση (recall ) και η βαθμολογία F1 (f1-score). Στη συνέχεια, τα εκπαιδευμένα μοντέλα εφαρμόζονται για την πρόβλεψη του συναισθήματος για νέα ελληνικά tweets και η απόδοσή τους αναλύεται για να διασφαλιστεί η γενίκευσή τους. Η έρευνα στοχεύει στην κατανόηση των συναισθημάτων και της δυναμικής στο ελληνικό πλαίσιο, παρέχοντας πολύτιμες γνώσεις σχετικά με τη διανομή θετικών, αρνητικών και ουδέτερων συναισθημάτων στα ελληνικά tweets. Επιπλέον, η διατριβή συμβάλλει στην ανάπτυξη γλωσσικών πόρων και εργαλείων ανάλυσης συναισθημάτων ειδικά προσαρμοσμένων για την ελληνική γλώσσα, λαμβάνοντας υπόψη τα μοναδικά γλωσσικά χαρακτηριστικά και τις προκλήσεις της. Καταδεικνύονται οι πρακτικές εφαρμογές της ανάλυσης συναισθήματος στα ελληνικά δεδομένα του Twitter, υπογραμμίζοντας τη συνάφειά της στην παρακολούθηση επωνυμίας, την έρευνα αγοράς και την ανάλυση κοινωνικών τάσεων στην ελληνική γλώσσα. Συνολικά, αυτή η διατριβή συμβάλλει στον αυξανόμενο όγκο γνώσεων σχετικά με τις τεχνικές ανάλυσης συναισθήματος για την ελληνική γλώσσα και καταδεικνύει την πρακτική χρησιμότητά τους στην ανάλυση συναισθημάτων στα ελληνικά δεδομένα του Twitter. Οι επιπτώσεις της έρευνας υπογραμμίζουν τη σημασία της ανάλυσης συναισθήματος για την κατανόηση του συναισθήματος των χρηστών στο διαδίκτυο και των επιπτώσεών του στη λήψη αποφάσεων και στην επικοινωνία στο ελληνικό τοπίο των μέσων κοινωνικής δικτύωσης.","Sentiment Analysis, also known as opinion mining, is the use of natural language, text analysis and Computational Linguistics to extract, quantify and study emotional states and subjective information in Social Media applications and various categories of users. Sentiment Analysis is an evolving field in the research fields of Artificial Intelligence (AI), Machine Learning (ML), Computational Linguistics (CL) and Natural Language Processing (NLP). This thesis focuses on investigating sentiment analysis techniques for Greek Twitter data using machine learning approaches. The main goal is to develop and evaluate models for the accurate prediction of sentiment in Greek tweets. The study begins by collecting a significant dataset of Greek tweets from sources such as Kaggle.com. It pre-processes the data to ensure its suitability for sentiment analysis. Various machine learning classifiers, including support vector machines (SVM) and TF-IDF-based classifiers, are investigated and compared to determine their effectiveness in sentiment analysis of Greek Twitter data. The classifiers are trained on the pre-processed Greek tweets and their performance is evaluated using metrics such as accuracy, precision, recall and F1-score. The trained models are then applied to predict sentiment for new Greek tweets and their performance is analyzed to ensure their generalizability. The research aims to understand emotions and dynamics in the Greek context, providing valuable insights into the distribution of positive, negative and neutral emotions in Greek tweets. In addition, the thesis contributes to the development of language resources and sentiment analysis tools specifically adapted for the Greek language, taking into account its unique linguistic characteristics and challenges. Practical applications of sentiment analysis on Greek Twitter data are demonstrated, highlighting its relevance in brand monitoring, market research and social trend analysis in the Greek language. Overall, this thesis contributes to the growing body of knowledge on sentiment analysis techniques for the Greek language and demonstrates their practical utility in sentiment analysis on Greek Twitter data. The implications of the research highlight the importance of sentiment analysis for understanding user sentiment online and its impact on decision-making and communication in the Greek social media landscape."],"dc:identifier":["uoadl:3388955","https://pergamos.lib.uoa.gr/uoa/dl/object/3388955"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Ανάλυση Συναισθημάτων σε Κείμενα Κοινωνικών Δικτύων με Εστίαση σε Ελληνικά Tweets"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:27:53Z"}