Χρήση αλγορίθμων μηχανικής μάθησης για την εξόρυξη διάθεσης (Sentiment Analysis) από κριτικές ξενοδοχείων στο διαδίκτυο (Master thesis)

Σταλίδης, Παναγιώτης


Full metadata record
DC FieldValueLanguage
dc.contributor.authorΣταλίδης, Παναγιώτηςel
dc.date.accessioned2021-12-13T14:56:13Z-
dc.date.available2021-12-13T14:56:13Z-
dc.identifier.urihttp://195.251.240.227/jspui/handle/123456789/13685-
dc.descriptionΜεταπτυχιακή εργασία -- Σχολή Τεχνολογικών Εφαρμογών -- Τμήμα Μηχανικών Πληροφορικής, 2015 (α/α 6980)el
dc.rightsDefault License-
dc.subjectΑνάλυση Συναισθήματοςel
dc.subjectΜηχανική μάθησηel
dc.subjectΤαξινόμηση κειμένωνel
dc.subjectΚιτρικές Ξενοδοχείωνel
dc.subjectSentiment Analysisen
dc.subjectMachine Learningen
dc.subjectText Classificationen
dc.subjectOpinion Miningen
dc.subjectNaïve Bayesen
dc.subjectMaximum Entropyen
dc.subjectSVM (Support Vector Machines)en
dc.subjectHotel Reviewsen
dc.titleΧρήση αλγορίθμων μηχανικής μάθησης για την εξόρυξη διάθεσης (Sentiment Analysis) από κριτικές ξενοδοχείων στο διαδίκτυοel
heal.typemasterThesis-
heal.type.enMaster thesisen
heal.generalDescriptionΜεταπτυχιακή εργασία -- ΠΜΣ "Ευφυείς Τεχνολογίες Διαδικτύου - Web Intelligence"el
heal.identifier.secondary6980-
heal.dateAvailable2021-12-13T14:57:13Z-
heal.languageel-
heal.accessfree-
heal.recordProviderΣχολή Τεχνολογικών Εφαρμογών. Τμήμα Μηχανικών Πληροφορικήςel
heal.publicationDate2015-07-01-
heal.bibliographicCitationΣταλίδης, Π. (2015). Χρήση αλγορίθμων μηχανικής μάθησης για την εξόρυξη διάθεσης (Sentiment Analysis) από κριτικές ξενοδοχείων στο διαδίκτυο (Μεταπτυχιακή εργασία). Αλεξάνδρειο ΤΕΙ Θεσσαλονίκηςel
heal.abstractIn the present thesis we tackled the problem of sentiment analysis on hotel reviews found online. Sentiment Analysis is the process of detecting the positive or negative orientation of the writer, in this case of a hotel review, towards the subject of the text excerpt, in this case hotel. We utilized both probabilistic machine learning algorithms like Naïve Bayes and Maximum Entropy, and linear classifiers like Support Vector Machines. The classifiers were investigated on several feature extracting methods. One method was to use a general purpose sentimental lexicon and aggregate the sentiment orientation to the review level. The other method was to detect hidden aspects of the words used in the review and thus detect the hidden aspects discussed in the review. A third method was the Bag-ofWords model, where each word becomes a feature for the classifier. Finally we investigated combining the feature extraction methods and that proved the most successful method.en
heal.abstractΗ παρούσα διπλωματική εργασία μελετά μεθόδους μηχανικής μάθησης με σκοπό της εξόρυξη συναισθήματος από κριτικές ξενοδοχείων που βρίσκονται στο διαδίκτυο. Μελετήσαμε την συμπεριφορά τεσσάρων αλγορίθμων μηχανικής μάθησης συγκεκριμένα τον αλγόριθμο Naïve Bayes και τον αλγόριθμο Maximum Entropy και τις Μηχανές Διανυσμάτων Υποστήριξης SVM, και δύο διαφορετικούς πυρήνες έναν γραμμικό και έναν ακτινικό (RBF).. Για την εκπαίδευση των αλγορίθμων μηχανικής μάθηση, μελετήθηκαν τρία μοντέλα εξόρυξης χαρακτηριστικών , ένα μοντέλο λεξικού , ένα μοντέλο εντοπισμού κρυφών χαρακτηριστικών και ένα μοντέλο καταμέτρησης λέξεων. Παρόλο που οι αλγόριθμοι είχαν διαφορετικές προσεγγίσεις στη λύση του προβλήματος που τους ανατίθεται, σημαντικότερο παράγοντα στη διαφοροποίηση των αποτελεσμάτων είχε η μέθοδος εξόρυξης χαρακτηριστικών. Συνδυάζοντάς τα χαρακτηριστικά από όλες τις μεθόδους εξόρυξης, καταφέραμε να βελτιώσουμε τα αποτελέσματα όλων των αλγορίθμων μηχανικής μάθησης.el
heal.advisorNameΔιαμαντάρας, Κωνσταντίνοςel
heal.committeeMemberNameΔιαμαντάρας, Κωνσταντίνοςel
heal.committeeMemberNameΑδαμίδης, Παναγιώτηςel
heal.committeeMemberNameΣαλαμπάσης, Μιχάληςel
heal.academicPublisherΤμήμα Μηχανικών Πληροφορικήςel
heal.academicPublisherIDteithe-
heal.numberOfPages71-
heal.fullTextAvailabilitytrue-
heal.type.elΜεταπτυχιακή εργασίαel
Appears in Collections:Μεταπτυχιακές Διατριβές

Files in This Item:
File Description SizeFormat 
Stalidis_Panagiotis.pdf2.5 MBAdobe PDFView/Open



 Please use this identifier to cite or link to this item:
http://195.251.240.227/jspui/handle/123456789/13685
  This item is a favorite for 0 people.

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.