{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3420740"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3420740","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Σύστημα προτεινόμενων ταινιών με τεχνικές ανάλυσης συναισθήματος","abstract":"Στο επίκεντρο της ανάλυσης συναισθήματος βρίσκεται η ικανότητα επεξεργασίας, κατανόησης και ερμηνείας της ανθρώπινης γλώσσας - ένα έργο που ταιριάζει απόλυτα στο στον τομέα της Επεξεργασίας Φυσικής Γλώσσας. Αξιοποιώντας τη δύναμη των αλγορίθμων, των μοντέλων μηχανικής μάθησης και της γλωσσικής ανάλυσης, διευκολύνεται η εξαγωγή νοήματος από δεδομένα κειμένου σε πλατφόρμες κοινωνικής δικτύωσης. Σε αυτή την διατριβή διερευνάται το ζήτημα της κατηγοριοποίησης των κριτικών ταινιών σε θετικές ή αρνητικές με βάση το συναίσθημα των απόψεων. Πιο συγκεκριμένα, αναλύεται μια προσέγγιση που επικεντρώνεται στην ανάλυση συναισθημάτων σε κριτικές ταινιών του IMDb, χρησιμοποιώντας δεδομένα που προέρχονται από το Πανεπιστήμιο του Stanford. Σκοπός είναι η εκπαίδευση και η σύγκριση διάφορων μοντέλων Μηχανικής Μάθησης που προβλέπουν την πολικότητα της άποψης, όπως επίσης και η διερεύνηση των μεθόδων εξαγωγής χαρακτηριστικών από κείμενα και τους τρόπους ενσωμάτωσής τους σε αυτά τα μοντέλα. Προκειμένου να καθοριστεί ποιο μοντέλο είναι πιο αποτελεσματικό στην πρόβλεψη της ανάλυσης συναισθήματος, τα κατασκευασμένα μοντέλα αξιολογούνται στο σύνολο δοκιμών χρησιμοποιώντας μετρήσεις που περιλαμβάνουν την συνολική ορθότητα, την ακρίβεια , την ανάκληση και την βαθμολογία F1 στις δυο κατηγορίες. Παράλληλα, παρατίθενται οι πίνακες σύγχυσης όλων των συνδυασμών, οι οποίοι βοηθούν στην σύγκριση τόσο εντός του μοντέλου όσο και συνολικά. Τέλος, η εργασία ολοκληρώνεται με την αιτιολόγηση αυτής της αντιπαράθεσης τεχνικών. Συμπεραίνεται ότι ο βέλτιστος συνδυασμός εμφανίζεται το μοντέλο του γραμμικού SVC με την μεθόδου TF-IDF, υποδεικνύοντας την αποτελεσματικότητα αυτής της ανάλυσης συναισθημάτων σε κείμενο.","abstract_html":"Στο επίκεντρο της ανάλυσης συναισθήματος βρίσκεται η ικανότητα επεξεργασίας, κατανόησης και ερμηνείας της ανθρώπινης γλώσσας - ένα έργο που ταιριάζει απόλυτα στο στον τομέα της Επεξεργασίας Φυσικής Γλώσσας. Αξιοποιώντας τη δύναμη των αλγορίθμων, των μοντέλων μηχανικής μάθησης και της γλωσσικής ανάλυσης, διευκολύνεται η εξαγωγή νοήματος από δεδομένα κειμένου σε πλατφόρμες κοινωνικής δικτύωσης. Σε αυτή την διατριβή διερευνάται το ζήτημα της κατηγοριοποίησης των κριτικών ταινιών σε θετικές ή αρνητικές με βάση το συναίσθημα των απόψεων. Πιο συγκεκριμένα, αναλύεται μια προσέγγιση που επικεντρώνεται στην ανάλυση συναισθημάτων σε κριτικές ταινιών του IMDb, χρησιμοποιώντας δεδομένα που προέρχονται από το Πανεπιστήμιο του Stanford. Σκοπός είναι η εκπαίδευση και η σύγκριση διάφορων μοντέλων Μηχανικής Μάθησης που προβλέπουν την πολικότητα της άποψης, όπως επίσης και η διερεύνηση των μεθόδων εξαγωγής χαρακτηριστικών από κείμενα και τους τρόπους ενσωμάτωσής τους σε αυτά τα μοντέλα. Προκειμένου να καθοριστεί ποιο μοντέλο είναι πιο αποτελεσματικό στην πρόβλεψη της ανάλυσης συναισθήματος, τα κατασκευασμένα μοντέλα αξιολογούνται στο σύνολο δοκιμών χρησιμοποιώντας μετρήσεις που περιλαμβάνουν την συνολική ορθότητα, την ακρίβεια , την ανάκληση και την βαθμολογία F1 στις δυο κατηγορίες. Παράλληλα, παρατίθενται οι πίνακες σύγχυσης όλων των συνδυασμών, οι οποίοι βοηθούν στην σύγκριση τόσο εντός του μοντέλου όσο και συνολικά. Τέλος, η εργασία ολοκληρώνεται με την αιτιολόγηση αυτής της αντιπαράθεσης τεχνικών. Συμπεραίνεται ότι ο βέλτιστος συνδυασμός εμφανίζεται το μοντέλο του γραμμικού SVC με την μεθόδου TF-IDF, υποδεικνύοντας την αποτελεσματικότητα αυτής της ανάλυσης συναισθημάτων σε κείμενο.","abstract_has_math":false,"creators":["Μενεγάκη Όλγα","Menegaki Olga"],"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":"2026-11-19T06:30:50Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3420740"],"render_values":[{"text":"uoadl:3420740","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3420740","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3420740","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%3A3420740","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μενεγάκη Όλγα","Menegaki Olga"]}]},{"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":["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":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3420740","https://pergamos.lib.uoa.gr/uoa/dl/object/3420740"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στο επίκεντρο της ανάλυσης συναισθήματος βρίσκεται η ικανότητα επεξεργασίας, κατανόησης και ερμηνείας της ανθρώπινης γλώσσας - ένα έργο που ταιριάζει απόλυτα στο στον τομέα της Επεξεργασίας Φυσικής Γλώσσας. Αξιοποιώντας τη δύναμη των αλγορίθμων, των μοντέλων μηχανικής μάθησης και της γλωσσικής ανάλυσης, διευκολύνεται η εξαγωγή νοήματος από δεδομένα κειμένου σε πλατφόρμες κοινωνικής δικτύωσης. Σε αυτή την διατριβή διερευνάται το ζήτημα της κατηγοριοποίησης των κριτικών ταινιών σε θετικές ή αρνητικές με βάση το συναίσθημα των απόψεων. Πιο συγκεκριμένα, αναλύεται μια προσέγγιση που επικεντρώνεται στην ανάλυση συναισθημάτων σε κριτικές ταινιών του IMDb, χρησιμοποιώντας δεδομένα που προέρχονται από το Πανεπιστήμιο του Stanford. Σκοπός είναι η εκπαίδευση και η σύγκριση διάφορων μοντέλων Μηχανικής Μάθησης που προβλέπουν την πολικότητα της άποψης, όπως επίσης και η διερεύνηση των μεθόδων εξαγωγής χαρακτηριστικών από κείμενα και τους τρόπους ενσωμάτωσής τους σε αυτά τα μοντέλα. Προκειμένου να καθοριστεί ποιο μοντέλο είναι πιο αποτελεσματικό στην πρόβλεψη της ανάλυσης συναισθήματος, τα κατασκευασμένα μοντέλα αξιολογούνται στο σύνολο δοκιμών χρησιμοποιώντας μετρήσεις που περιλαμβάνουν την συνολική ορθότητα, την ακρίβεια , την ανάκληση και την βαθμολογία F1 στις δυο κατηγορίες. Παράλληλα, παρατίθενται οι πίνακες σύγχυσης όλων των συνδυασμών, οι οποίοι βοηθούν στην σύγκριση τόσο εντός του μοντέλου όσο και συνολικά. Τέλος, η εργασία ολοκληρώνεται με την αιτιολόγηση αυτής της αντιπαράθεσης τεχνικών. Συμπεραίνεται ότι ο βέλτιστος συνδυασμός εμφανίζεται το μοντέλο του γραμμικού SVC με την μεθόδου TF-IDF, υποδεικνύοντας την αποτελεσματικότητα αυτής της ανάλυσης συναισθημάτων σε κείμενο.","At the heart of sentiment analysis is the ability to process, understand and interpret human language - a task that fits perfectly into the field of Natural Language Processing. By harnessing the power of algorithms, machine learning models and language analysis, it facilitates the extraction of meaning from textual data on social media platforms. In this thesis, the issue of categorizing movie reviews into positive or negative based on the sentiment of opinions is explored. Specifically, an approach focusing on sentiment analysis of IMDb movie reviews is analyzed using data from Stanford University. The aim is to train and compare several Machine Learning models that predict opinion polarity, as well as to explore methods for extracting features from text and ways to incorporate them into these models. In order to determine which model is most effective in predicting sentiment analysis, the constructed models are evaluated on the test set using metrics including overall correctness, accuracy, recall and F1 score in the two categories. In addition, confusion tables for all combinations are provided, which help in comparing both within the model and overall. Finally, the paper concludes with a justification of this juxtaposition of techniques. It is concluded that the optimal combination appears to be the linear SVC model with the TF-IDF method, indicating the effectiveness of this sentiment analysis in text."]},{"key":"dc:title","label":"Title","values":["Σύστημα προτεινόμενων ταινιών με τεχνικές ανάλυσης συναισθήματος"]}]}],"canonical_facts":{"dc:creator":["Μενεγάκη Όλγα","Menegaki Olga"],"dc:date":["2024"],"dc:description":["Στο επίκεντρο της ανάλυσης συναισθήματος βρίσκεται η ικανότητα επεξεργασίας, κατανόησης και ερμηνείας της ανθρώπινης γλώσσας - ένα έργο που ταιριάζει απόλυτα στο στον τομέα της Επεξεργασίας Φυσικής Γλώσσας. Αξιοποιώντας τη δύναμη των αλγορίθμων, των μοντέλων μηχανικής μάθησης και της γλωσσικής ανάλυσης, διευκολύνεται η εξαγωγή νοήματος από δεδομένα κειμένου σε πλατφόρμες κοινωνικής δικτύωσης. Σε αυτή την διατριβή διερευνάται το ζήτημα της κατηγοριοποίησης των κριτικών ταινιών σε θετικές ή αρνητικές με βάση το συναίσθημα των απόψεων. Πιο συγκεκριμένα, αναλύεται μια προσέγγιση που επικεντρώνεται στην ανάλυση συναισθημάτων σε κριτικές ταινιών του IMDb, χρησιμοποιώντας δεδομένα που προέρχονται από το Πανεπιστήμιο του Stanford. Σκοπός είναι η εκπαίδευση και η σύγκριση διάφορων μοντέλων Μηχανικής Μάθησης που προβλέπουν την πολικότητα της άποψης, όπως επίσης και η διερεύνηση των μεθόδων εξαγωγής χαρακτηριστικών από κείμενα και τους τρόπους ενσωμάτωσής τους σε αυτά τα μοντέλα. Προκειμένου να καθοριστεί ποιο μοντέλο είναι πιο αποτελεσματικό στην πρόβλεψη της ανάλυσης συναισθήματος, τα κατασκευασμένα μοντέλα αξιολογούνται στο σύνολο δοκιμών χρησιμοποιώντας μετρήσεις που περιλαμβάνουν την συνολική ορθότητα, την ακρίβεια , την ανάκληση και την βαθμολογία F1 στις δυο κατηγορίες. Παράλληλα, παρατίθενται οι πίνακες σύγχυσης όλων των συνδυασμών, οι οποίοι βοηθούν στην σύγκριση τόσο εντός του μοντέλου όσο και συνολικά. Τέλος, η εργασία ολοκληρώνεται με την αιτιολόγηση αυτής της αντιπαράθεσης τεχνικών. Συμπεραίνεται ότι ο βέλτιστος συνδυασμός εμφανίζεται το μοντέλο του γραμμικού SVC με την μεθόδου TF-IDF, υποδεικνύοντας την αποτελεσματικότητα αυτής της ανάλυσης συναισθημάτων σε κείμενο.","At the heart of sentiment analysis is the ability to process, understand and interpret human language - a task that fits perfectly into the field of Natural Language Processing. By harnessing the power of algorithms, machine learning models and language analysis, it facilitates the extraction of meaning from textual data on social media platforms. In this thesis, the issue of categorizing movie reviews into positive or negative based on the sentiment of opinions is explored. Specifically, an approach focusing on sentiment analysis of IMDb movie reviews is analyzed using data from Stanford University. The aim is to train and compare several Machine Learning models that predict opinion polarity, as well as to explore methods for extracting features from text and ways to incorporate them into these models. In order to determine which model is most effective in predicting sentiment analysis, the constructed models are evaluated on the test set using metrics including overall correctness, accuracy, recall and F1 score in the two categories. In addition, confusion tables for all combinations are provided, which help in comparing both within the model and overall. Finally, the paper concludes with a justification of this juxtaposition of techniques. It is concluded that the optimal combination appears to be the linear SVC model with the TF-IDF method, indicating the effectiveness of this sentiment analysis in text."],"dc:identifier":["uoadl:3420740","https://pergamos.lib.uoa.gr/uoa/dl/object/3420740"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Σύστημα προτεινόμενων ταινιών με τεχνικές ανάλυσης συναισθήματος"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:50Z"}