1. Αρχική σελίδα
  2. Αναζήτηση

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

Το τεκμήριο παρέχεται από τον φορέα :
Διεθνές Πανεπιστήμιο της Ελλάδος   

Αποθετήριο :
Ιδρυματικό Αποθετήριο Διεθνούς Πανεπιστημίου Ελλάδος (ΔΙΠΑΕ)   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Χρήση αλγορίθμων μηχανικής μάθησης για την εξόρυξη διάθεσης (Sentiment Analysis) από κριτικές ξενοδοχείων στο διαδίκτυο (EL)
Σταλίδης, Παναγιώτης (EL)
Διαμαντάρας, Κωνσταντίνος (EL)
Αδαμίδης, Παναγιώτης (EL)
Σαλαμπάσης, Μιχάλης (EL)
masterThesis
Μεταπτυχιακή εργασία (EL)
Master thesis (EN)
2024-10-07T13:49:43Z
2015-07-01
2021-12-13T14:56:13Z
Μεταπτυχιακή εργασία -- Σχολή Τεχνολογικών Εφαρμογών -- Τμήμα Μηχανικών Πληροφορικής, 2015 (α/α 6980) (EL)
Η 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)
In 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)
Ανάλυση Συναισθήματος (EL)
Κιτρικές Ξενοδοχείων (EL)
Μηχανική μάθηση (EL)
Ταξινόμηση κειμένων (EL)
Naïve Bayes (EN)
Text Classification (EN)
Opinion Mining (EN)
Maximum Entropy (EN)
Hotel Reviews (EN)
Sentiment Analysis (EN)
SVM (Support Vector Machines) (EN)
Machine Learning (EN)
Ελληνική γλώσσα
Σχολή Τεχνολογικών Εφαρμογών. Τμήμα Μηχανικών Πληροφορικής (EL)
Τμήμα Μηχανικών Πληροφορικής (EL)
Default License
Διεθνές Πανεπιστήμιο της Ελλάδος
Ιδρυματικό Αποθετήριο Διεθνούς Πανεπιστημίου Ελλάδος (ΔΙΠΑΕ)
Διπλωματικές Εργασίες
Σχολή Μηχανικών
Τμήμα Μηχανικών Πληροφορικής & Ηλεκτρονικών Συστημάτων



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.