Εμπλουτισμός της βιβλιοθήκης spaCy για ανάλυση συναισθήματος σε ελληνικά κείμενα

Abstract

Όντας μάρτυρες των τρεχουσών εξελίξεων που πραγματοποιούνται με ταχύτατους ρυθμούς και παρακολουθώντας την ανεξέλικτη αύξηση των διαδικτυακών κοινοτήτων στον ψηφιακό κόσμο, καθίσταται επιτακτική η ανάγκη, θωράκισης αυτών με τρόπο αποτελεσματικό και ασφαλή. Συνεπώς, το πρόβλημα που καλούμαστε να μελετήσουμε και να αντιμετωπίσουμε είναι η ανάλυση συναισθήματος σε κείμενα που είναι γραμμένα στην ελληνική γλώσσα , ακριβώς γιατί οι ψηφιακοί ελληνικοί γλωσσικοί πόροι είναι πολύ λιγότεροι από τους αγγλικούς. Ο σκοπός της διπλωματικής εργασίας είναι ο εντοπισμός και ο προσδιορισμός της προσβλητικής γλώσσας (cyberbullying, ρητορική μίσους, επιθετικότητα) σε ελληνικά κείμενα. Πιο συγκεκριμένα, μελετήσαμε την βιβλιοθήκη επεξεργασίας φυσικής γλώσσας, spaCy (που είναι γραμμένη στη γλώσσα Python), ακριβώς λόγω των ελλείψεων της σε ό,τι αφορά την ελληνική γλώσσα, όπως το πεδίο αναγνώρισης ονοματισμένων οντοτήτων (NER – Named Entity Recognition) το όποιο δεν είναι ολοκληρωμένο σε σχέση με εκείνο της αγγλικής γλώσσας. Στη συνέχεια, διερευνήσαμε δύο μοντέλα μηχανικής μάθησης, το CNN και το LSTM (σε γλώσσα Python), χρησιμοποιώντας σαν οδηγό ένα συναισθηματικό λεξιλόγιο. Τέλος, για την εν λόγω μελέτη σχεδιάστηκε και αναπτύχθηκε μια βοηθητική διαδικτυακή εφαρμογή με στόχο την αναγνώριση του συναισθήματος σε ελληνικά κείμενα και τον εμπλουτισμού του πεδίου NER.