Εξατομικευμένο Σύστημα Συγκέντρωσης Ειδήσεων και Προτάσεων με χρήση Επεξεργασίας Φυσικής Γλώσσας: Συγκριτική Μελέτη Μοντέλων Βασισμένων σε κανόνες και Μοντέλων Μηχανικής Μάθησης

Κωνσταντινίδης, Ηλίας

Personalized News and Suggestion Gathering System using Natural Language Processing: A Comparative Study of Rule-Based and Machine Learning Models

Διπλωματική εργασία

Author

Κωνσταντινίδης, Ηλίας

Date

2024-10-10

Advisor

Troussas, Christos

ΚΩΝΣΤΑΝΤΙΝΙΔΗΣ-ΔΙΠΛΩΜΑΤΙΚΗ.pdf (1.411Mb)

Keywords

Μοντέλα βασισμένα σε κανόνες ; Συναισθηματική ανάλυση ; Μηχανική μάθηση

Abstract

Η παρούσα διατριβή αποσκοπεί στη σύγκριση δύο μοντέλων για την ανάπτυξη ενός συστήματος συστάσεων ειδήσεων. Το πρώτο μοντέλο βασίζεται σε κανόνες και χρησιμοποιεί ανάλυση συναισθήματος μέσω του αλγορίθμου Vader, ενώ το δεύτερο μοντέλο χρησιμοποιεί μηχανική μάθηση και λογιστική παλινδρόμηση για την ανάλυση συναισθήματος. Στόχος είναι να διερευνηθεί η απόδοση των δύο προσεγγίσεων και να αξιολογηθεί η ακρίβειά τους στην κατηγοριοποίηση και σύσταση ειδήσεων με βάση το συναίσθημα και τον τύπο του άρθρου. Η επεξεργασία φυσικής γλώσσας μπορεί να βελτιώσει την ακρίβεια των εξατομικευμένων προτάσεων, επιτρέποντας μια πιο προηγμένη κατανόηση του περιεχομένου του κειμένου, εντοπίζοντας με ακρίβεια τις προθέσεις και τα συναισθήματα πίσω από τις λέξεις και παρέχοντας προτάσεις που ανταποκρίνονται περισσότερο στα ενδιαφέροντα των χρηστών.

Abstract

This thesis aims to compare two models for the development of a news recommendation system. The first model is rule-based and uses sentiment analysis through the Vader algorithm, while the second model uses machine learning and logistic regression for sentiment analysis. The aim is to investigate the performance of the two approaches and evaluate their accuracy in categorizing and recommending news stories based on sentiment and article type. Natural language processing can improve the accuracy of personalized sentences, enabling a more advanced understanding of text content, accurately identifying the intentions and emotions behind words, and providing sentences that are more responsive to users' interests. Translated with www.DeepL.com/Translator (free version)