Εμφάνιση απλής εγγραφής

Αυτόματη κατάταξη ειδησεογραφικών άρθρων και αναγνώριση οντοτήτων με χρήση τεχνικών επεξεργασίας φυσικής γλώσσας (NLP) και μηχανικής μάθησης

dc.contributor.advisorTroussas, Christos
dc.contributor.authorΚατράνης, Ιωάννης
dc.date.accessioned2025-03-18T15:41:30Z
dc.date.available2025-03-18T15:41:30Z
dc.date.issued2025-03
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/8826
dc.description.abstractΗ ραγδαία ανάπτυξη της επιστήμης των υπολογιστών τις τελευταίες δεκαετίες, ιδίως στον τομέα της τεχνητής νοημοσύνης, έχει επιφέρει σημαντικές αλλαγές σε πολλά επιστημονικά πεδία. Η επεξεργασία φυσικής γλώσσας (Natural Language Processing - NLP), είναι ο κλάδος της τεχνητής νοημοσύνης που επιτρέπει στις μηχανές να αναλύουν, να κατανοούν και να ερμηνεύουν την ανθρώπινη γλώσσα. Παρότι η αγγλική γλώσσα υποστηρίζεται από εκτενείς πόρους και εξελιγμένα εργαλεία NLP, η ελληνική γλώσσα παρουσιάζει σημαντικά κενά, γεγονός που την καθιστά ως ένα ενδιαφέρον αντικείμενο μελέτης. Οι εφαρμογές της επεξεργασίας φυσικής γλώσσας είναι ιδιαίτερα ποικίλες, καθώς περιλαμβάνουν τη κατηγοριοποίηση κειμένων, την αναγνώριση οντοτήτων, τα συστήματα συστάσεων, τα διαλογικά ρομπότ, την ανάλυση συναισθήματος και την αυτόματη μετάφραση. Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη και την αξιολόγηση μοντέλων βαθιάς μάθησης για δύο θεμελιώδεις εργασίες της επεξεργασία φυσικής γλώσσας, την αναγνώριση οντοτήτων (Named Entity Recognition - NER) και την κατηγοριοποίηση (Classification) ελληνικών ειδησεογραφικών άρθρων. Αρχικά, δημιουργήθηκε ένα περιεκτικό σύνολο δεδομένων από δημοσιευμένα άρθρα ειδησεογραφικών ισοτόπων, το οποίο εμπλουτίστηκε με ετικέτες οντοτήτων και θεματικές κατηγορίες. Έπειτα ακολούθησε μια ενδελεχής διαδικασία επεξεργασίας κειμένων με σκοπό τη βελτιστοποίηση της ποιότητας των δεδομένων πριν την εφαρμογή τεχνικών μηχανικής μάθησης. Στο επόμενο στάδιο, αναπτύχθηκαν και αξιολογήθηκαν τρία μοντέλα βαθιάς μάθησης αξιοποιώντας την προσέγγιση της κοινής μάθησης (joint learning), με κύριο στόχο τη διατήρηση υψηλής απόδοσης σε συνδυασμό με ελαφριά αρχιτεκτονική. Αρχικά, δοκιμάστηκε μια προσέγγιση διαμοιραζόμενων εργασιών (shared tasks) όπου η αναγνώριση οντοτήτων και η ταξινόμηση μοιράζονταν τόσο το στρώμα ενσωματώσεων όσο και το κεντρικό νευρωνικό στρώμα, προσφέροντας εξοικονόμηση πόρων και καλά αποτελέσματα στην ταξινόμηση, αλλά παρουσιάζοντας μείωση στην ακρίβεια της αναγνώρισης οντοτήτων. Στη συνέχεια, εξετάστηκε η λύση των δύο ανεξάρτητων εργασιών (individual tasks), η οποία βελτίωσε σημαντικά την αναγνώριση οντοτήτων, αυξάνοντας όμως το μέγεθος και τον χρόνο εκπαίδευσης. Η πιο ισορροπημένη επιλογή τελικά προέκυψε από μια υβριδική αρχιτεκτονική, όπου διατηρείται ένα κοινό στρώμα ενσωματώσεων, ενώ τα επόμενα επίπεδα επεξεργασίας διαχωρίζονται για κάθε εργασία ξεχωριστά. Αυτή η προσέγγιση επέτυχε υψηλές επιδόσεις στις δύο εργασίες, χωρίς να αυξάνει το υπολογιστικό κόστος.el
dc.format.extent120el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectWord embeddingsel
dc.subjectΜηχανική μάθησηel
dc.subjectΒαθιά μάθησηel
dc.subjectΕπεξεργασία φυσικής γλώσσαςel
dc.subjectΑνάπτυξη συνόλου δεδομένωνel
dc.subjectΑναγνώριση οντοτήτωνel
dc.subjectΚατηγοριοποίηση κειμένωνel
dc.subjectΒελτιστοποίηση μοντέλων βαθιάς μάθησηςel
dc.subjectΑξιολόγηση μοντέλων βαθιάς μάθησηςel
dc.subjectΕκπαίδευση μοντέλων βαθιάς μάθησηςel
dc.subjectΣυλλογή δεδομένωνel
dc.subjectΕπεξεργασία δεδομένωνel
dc.subjectΤύποι και κατηγορίες μηχανικής μάθησηςel
dc.subjectFine-tuning μοντέλων βαθιάς μάθησηςel
dc.titleΑυτόματη κατάταξη ειδησεογραφικών άρθρων και αναγνώριση οντοτήτων με χρήση τεχνικών επεξεργασίας φυσικής γλώσσας (NLP) και μηχανικής μάθησηςel
dc.title.alternativeAutomatic categorization of news articles and entity recognition with the usage of natural language processing (NLP) and machine learningel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeΜυλωνάς, Φοίβος-Απόστολος
dc.contributor.committeeΚρούσκα, Ακριβή
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Πληροφορικής και Υπολογιστώνel
dc.description.abstracttranslatedThe rapid development of computer science in recent decades, particularly in the field of artificial intelligence, has resulted in significant changes in many scientific fields. Natural Language Processing (NLP) is the branch of artificial intelligence that allows machines to analyze, understand and interpret human language. Although the English language is supported by extensive resources and sophisticated NLP tools, the Greek language has significant gaps, making it an interesting object of study. The applications of natural language processing are highly diverse, as they include text categorization, entity recognition, recommendation systems, conversational robots, sentiment analysis and machine translation. This thesis focuses on the development and evaluation of deep learning models for two fundamental tasks of natural language processing, Named Entity Recognition (NER) and Classification of Greek news articles. Initially, a comprehensive dataset of published news articles websites was created, which was enriched with entity labels and thematic categories. A thorough text processing procedure was then followed in order to optimize the quality of the data before applying machine learning techniques. In the next stage, three deep learning models were developed and evaluated utilizing the joint learning approach, with the main goal of maintaining high performance combined with lightweight architecture. Initially, a shared tasks approach was tested where entity recognition and classification shared both the embedding layer and the central neural layer, offering resource savings and good classification results, but showing a decrease in the accuracy of entity recognition. Next, the solution of two independent tasks (individual tasks) was considered, which significantly improved entity recognition, but increased the size and training time. The most balanced option finally resulted from a hybrid architecture, where a common embedding layer is maintained, while the subsequent processing layers are separated for each task separately. This approach achieved high performance on both tasks without increasing the computational cost.el


Αρχεία σε αυτό το τεκμήριο

Thumbnail
Όνομα:
Katranis_ice19390082.pdf
Μέγεθος:
4.498Mb
Τύπος:
PDF
Περιγραφή:
Διπλωματική Εργασία
Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές