This thesis seeks to resolve a problem faced by consumers in the modern product
market. The plethora of choices available to consumers creates complexity and
competitiveness, as purchasing decisions are influenced by parameters such as quality, price,
personal preferences and emotional reactions. The ability of consumers to make purchasing
decisions that meet their individual needs and preferences is vital.
The aim of the work is to develop a decision support system based on sentiment
analysis, which provides the necessary information to consumers to make informed purchase
decisions. This system allows consumers to face the volume of products available and choose
those that best meet their needs and preferences, offering greater satisfaction.
To implement the system, machine learning algorithms were used, as they were proven
to offer better performance and accuracy in sentiment analysis. This work examines various
approaches to sentiment analysis, using rules, predefined models and machine learning
algorithms. Nevertheless, it is proven that using machine learning algorithms achieves better
accuracy in sentiment analysis. The system implementation was based on the Scikit-learn,
TensorFlow and Keras.io libraries, which provide powerful tools and frameworks for
developing machine learning algorithms.
This work presents the development process of the decision support system based on
sentiment analysis. Each chapter presents an overall view of the problem sought to be solved,
the methods used and the achievements. The various algorithms and techniques used for
sentiment analysis are discussed, and an introduction to machine learning and its application to
sentiment analysis is also presented. In addition, detailed descriptions of the system architecture
and the technologies used to complete this thesis are provided.
Finally, the conclusions of this thesis are presented and future extensions and directions
for further research in the field of sentiment analysis using machine learning algorithms are
suggested. This thesis allows the reader to gain a thorough understanding of the problem at
hand and the proposed solutions using machine learning algorithms. The thesis is structured as
follows:
• Chapter 1: Introduction, where the problem is presented, its importance and the
methodology used to solve it. Also, the structure of the work is described.
• Chapter 2: Analysis of sentiment analysis algorithms and techniques, with a focus
on machine learning and the libraries used.
• Chapter 3: Introduction to machine learning, description of basic algorithms and
methods, examples of applications, and discussion of ethical issues.
• Chapter 4: Description of Topic Modeling techniques used for sentiment analysis
at work.
• Chapter 5: Description of the system architecture and technologies used, analysis
of experiments and presentation of evaluation results.
• Chapter 6: Conclusions, future extensions and suggestions for further research in
the field of sentiment analysis using machine learning algorithms.
Therefore, the thesis offers a comprehensive study on the development of a decision
support system based on sentiment analysis. Readers can gain a broad understanding of the
problem, the proposed solutions, and the methods used, as well as examine the efficiency and
accuracy of the system.
Η παρούσα διπλωματική εργασία επιδιώκει να επιλύσει ένα πρόβλημα που
αντιμετωπίζουν οι καταναλωτές στη σύγχρονη αγορά προϊόντων. Η πληθώρα των επιλογών
που παρέχονται στους καταναλωτές δημιουργεί πολυπλοκότητα και ανταγωνιστικότητα,
καθώς οι αποφάσεις αγοράς επηρεάζονται από παραμέτρους όπως η ποιότητα, η τιμή, οι
προσωπικές προτιμήσεις και οι συναισθηματικές αντιδράσεις. Η δυνατότητα των
καταναλωτών να λαμβάνουν αποφάσεις αγοράς που ανταποκρίνονται στις ατομικές τους
ανάγκες και προτιμήσεις είναι ζωτικής σημασίας.
Ο στόχος της εργασίας είναι η ανάπτυξη ενός συστήματος υποστήριξης αποφάσεων
βασισμένου στην ανάλυση συναισθήματος, το οποίο παρέχει την απαραίτητη πληροφορία
στους καταναλωτές για να λαμβάνουν ενημερωμένες αποφάσεις αγοράς. Το σύστημα αυτό
επιτρέπει στους καταναλωτές να αντιμετωπίζουν τον όγκο των διαθέσιμων προϊόντων και να
επιλέγουν αυτά που ικανοποιούν καλύτερα τις ανάγκες και τις προτιμήσεις τους, προσφέροντας
μεγαλύτερη ικανοποίηση.
Για την υλοποίηση του συστήματος, χρησιμοποιήθηκαν αλγόριθμοι μηχανικής
μάθησης, καθώς αποδείχθηκε ότι προσφέρουν καλύτερη απόδοση και ακρίβεια στην
αναγνώριση συναισθημάτων. Η εργασία εξετάζει διάφορες προσεγγίσεις για την αναγνώριση
συναισθημάτων, με τη χρήση κανόνων, προκαθορισμένων μοντέλων και αλγορίθμων
μηχανικής μάθησης. Η χρήση αλγορίθμων μηχανικής μάθησης επιτυγχάνει καλύτερη ακρίβεια
στην αναγνώριση συναισθημάτων. Η υλοποίηση του συστήματος βασίστηκε στις βιβλιοθήκες
Scikit-learn, TensorFlow και Keras.io, που παρέχουν ισχυρά εργαλεία και πλαίσια για την
ανάπτυξη αλγορίθμων μηχανικής μάθησης.
Η εργασία παρουσιάζει τη διαδικασία ανάπτυξης του συστήματος υποστήριξης
αποφάσεων βασισμένου στην ανάλυση συναισθήματος. Κάθε κεφάλαιο παρουσιάζει μια
συνολική άποψη για το πρόβλημα που επιδιώκεται να επιλυθεί, τις χρησιμοποιούμενες
μεθόδους και τα επιτεύγματα. Αναλύονται οι διάφοροι αλγόριθμοι και τεχνικές που
χρησιμοποιούνται για την αναγνώριση συναισθημάτων, ενώ παρουσιάζεται επίσης μια
εισαγωγή στη μηχανική μάθηση και την εφαρμογή της στην ανάλυση συναισθημάτων.
Επιπλέον, παρέχονται λεπτομερείς περιγραφές της αρχιτεκτονικής του συστήματος και των
χρησιμοποιούμενων τεχνολογιών για τη διεκπεραίωση τη παρούσας διπλωματικής εργασίας.
Τέλος, παρουσιάζονται τα συμπεράσματα της εργασίας και προτείνονται μελλοντικές
επεκτάσεις και κατευθύνσεις για περαιτέρω έρευνα στον τομέα της ανάλυσης συναισθημάτων
με χρήση αλγορίθμων μηχανικής μάθησης. Η παρούσα διπλωματική εργασία επιτρέπει στον
αναγνώστη να αποκτήσει μια πλήρη κατανόηση του προβλήματος που αντιμετωπίζεται και των
προτεινόμενων λύσεων με τη χρήση αλγορίθμων μηχανικής μάθησης. Η διπλωματική εργασία
διαρθρώνεται ως εξής:
• Κεφάλαιο 1: Εισαγωγή, όπου παρουσιάζεται το πρόβλημα, η σημασία του και η
μεθοδολογία που χρησιμοποιήθηκε για την επίλυσή του. Επίσης, περιγράφεται η
δομή της εργασίας.
• Κεφάλαιο 2: Ανάλυση των αλγορίθμων και τεχνικών αναγνώρισης
συναισθημάτων, με εστίαση σε μηχανική μάθηση και τις χρησιμοποιούμενες
βιβλιοθήκες.
• Κεφάλαιο 3: Εισαγωγή στη μηχανική μάθηση, περιγραφή των βασικών
αλγορίθμων και μεθόδων, παραδείγματα εφαρμογών και συζήτηση ηθικών
ζητημάτων.
viii
• Κεφάλαιο 4: Περιγραφή των τεχνικών Topic Modelling που χρησιμοποιήθηκαν
για την ανάλυση συναισθημάτων στην εργασία.
• Κεφάλαιο 5: Περιγραφή της αρχιτεκτονικής του συστήματος και των
τεχνολογιών που χρησιμοποιήθηκαν, ανάλυση πειραμάτων και παρουσίαση
αποτελεσμάτων αξιολόγησης.
• Κεφάλαιο 6: Συμπεράσματα, μελλοντικές επεκτάσεις και προτάσεις για
περαιτέρω έρευνα στον τομέα της ανάλυσης συναισθημάτων με χρήση
αλγορίθμων μηχανικής μάθησης.
Επομένως, η διπλωματική εργασία προσφέρει μια ολοκληρωμένη μελέτη σχετικά με
την ανάπτυξη ενός συστήματος υποστήριξης αποφάσεων βασισμένου στην ανάλυση
συναισθήματος. Οι αναγνώστες μπορούν να αποκτήσουν μια ευρεία κατανόηση του
προβλήματος, των προτεινόμενων λύσεων και των μεθόδων που χρησιμοποιούνται, καθώς και
να εξετάσουν την αποτελεσματικότητα και την ακρίβεια του συστήματος.
Πανεπιστήμιο Πατρών
