Ανάπτυξη συστήματος ανάλυσης συναισθήματος με χρήση επεξεργασίας φυσικής γλώσσας

Ναϊντένοβα, Βλαντιμίρα

Development of a sentiment analysis system using Natural Language Processing (NLP)

Διπλωματική εργασία

Author

Ναϊντένοβα, Βλαντιμίρα

Date

2024-07

Advisor

Troussas, Christos

Διπλωματική Εργασία (920.1Kb)

ΔΗΛΩΣΗ ΣΥΓΓΡΑΦΕΑ ΠΤΥΧΙΑΚΗΣ/ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ (91.04Kb)

Keywords

Ανάλυση συναισθήματος ; Επεξεργασία φυσικής γλώσσας

Abstract

Η παρούσα διπλωματική εργασία ασχολείται με ανάπτυξη ενός συστήματος που αξιοποιεί της τεχνικές της Επεξεργασίας Φυσικής Γλώσσας (NLP) για να επιτευχθεί συναισθηματική ανάλυση σε δεδομένα κειμένου. Διερευνώνται οι προσεγγίσεις της συναισθηματικής ανάλυσης, όπως αυτές της βασισμένης σε λεξικό και σε αλγορίθμους μηχανικής μάθησης. Αναλύονται οι έννοιες της της Επεξεργασίας Φυσικής Γλώσσας και της συναισθηματικής ανάλυσης, όπως επίσης η σημασία και οι χρήσεις τους στο χρονικό πλαίσιο που διανύουμε. Επιπλέον, αναφέρονται οι κυριότερες μέθοδοι που χρησιμοποιούνται για την επίτευξη της ανάλυσης συναισθήματος. Ακόμη, γίνεται επεξηγείται η μεθοδολογία που ακολουθήθηκε αλλά και οι τεχνικές σχεδιασμού́του συστήματος. Παρουσιάζεται ο κώδικας και επεξηγείται, ώστε να γίνει κατανοητή οι προσεγγίσεις που χρησιμοποιήθηκαν. Για την ανάλυση συναισθήματος χρησιμοποιηθήκαν δύο προσεγγίσεις, η βασισμένη σε λεξικό που αξιοποίησε το VADER, ένα module του NLTK, και η προσέγγιση μέσω μηχανικής μάθησης και συγκεκριμένα επιβλεπόμενης, με τα μοντέλα του Naive Bayes, Supervised Vector Machine (SVM) και του Decision Tree. Τα στοιχεία στα οποία επικεντρώνεται η παρούσα διπλωματική εργασία είναι η κατανόηση των τεχνολογιών που χρησιμοποιούνται, ο τρόπος με τον οποίο έχει δομηθεί η εφαρμογή και η μεθοδολογία που ακολουθήθηκε. Τέλος, παρουσιάζεται η αξιολόγηση του συστήματος, τα τελικά συμπεράσματα και ο πηγαίος κώδικας.

Abstract

This thesis deals with the development of a system that utilizes Natural Language Processing Techniques (NLP) to achieve sentiment analysis in text data. Approaches to sentiment analysis, such as those of dictionary-based and machine learning algorithms, are explored. The concepts of natural language processing and sentiment analysis are analyzed, as well as their importance and use in the current time frame. In addition, the main methods used to achieve sentiment analysis are mentioned. The methodology followed and the design techniques of the rectum are also explained. The code is presented and explained to understand the approaches used. Two approaches, a dictionary based with VADER, an NLTK module, and the approach to machine learning, and in particular supervised, with Naive Bayes, Supervised Vector Machine (SVM), and Decision Tree models were used to analyze emotion. The elements focused on in this thesis are the understanding of the technologies used, how the application and the methodology followed have been structured. Finally, the system evaluation, the final conclusions, and the source code are presented.