Ανάπτυξη Αρχιτεκτονικών Βαθιάς Μάθησης με Χρήση Δικτύων Μακράς Βραχυπρόθεσμης Μνήμης Για Ανάλυση Συναισθήματος

Abstract

Οι απόψεις των ανθρώπων συνιστούν μια από τις πιο ισχυρές μορφές πληροφορίας που μπορεί κάποιος να αναζητήσει. Διαδραματίζουν ρόλο εξέχουσας σημασίας σε ενέργειες τόσο απλές όσο η καθημερινή λήψη αποφάσεων, όσο και τόσο σύνθετες όπως επίσημες έρευνες παγκόσμιας κλίμακας. Μαζί με την ραγδαία εξέλιξη του Διαδικτύου, δημιουργήθηκαν και όλες οι απαραίτητες προϋποθέσεις προκειμένου οι απόψεις των ανθρώπων να εκφραστούν μαζικά. Πλέον, στην εποχή των Μεγάλων Δεδομένων (Big Data) έχει δημιουργηθεί ένας τεράστιος όγκος δεομένων από κείμενα, αναρτήσεις, σχολιασμούς και κριτικές που καλύπτουν οποιοδήποτε θέμα στο οποίο μπορεί να εκφραστεί μια άποψη. Ωστόσο, στην πλειοψηφία τους, τα δεδομένα αυτά παραμένουν αποθηκευμένα και ανεπεξέργαστα και ως εκ τούτου δεν είναι δυνατόν να εξορυχθεί η γνώση η οποία εμφωλεύεται σε αυτά. Η Ανάλυση Συναισθήματος (Sentiment Analysis), γνωστή και ως Εξόρυξη Άποψης, είναι η διαδικασία επεξεργασίας της φυσικής γλώσσας η οποία αποσκοπεί στην υπολογιστική αναγνώριση και κατηγοριοποίηση των απόψεων που εκφράζονται σε ένα κομμάτι κειμένου, προκειμένου να καθοριστεί εάν η στάση του συγγραφέα έναντι ενός συγκεκριμένου θέματος, προϊόντος κ.λπ. είναι θετική, αρνητική ή ουδέτερη. Ως ερευνητικός τομέας, η Ανάλυση Συναισθήματος έχει γνωρίσει τεράστια άνθιση η οποία συμπίπτει με την ανάπτυξη της επιστήμης των υπολογιστών αλλά και με τις ολοένα και αυξανόμενες ανάγκες για την μαζική επεξεργασία δεδομένων απόψεων. Πλέον οι τεχνικές της επιστρατεύονται από επιχειρήσεις και οργανισμούς, όπου βρίσκουν τεράστιο πλήθος εφαρμογών, προσφέροντας σημαντικές λύσεις στην οργάνωση της πληροφορίας και την εξαγωγή γνώσεων ζωτικής σημασίας Στόχος της παρούσας Διπλωματικής εργασίας είναι η ανάπτυξη συστημάτων μηχανικής μάθησης, τα οποία να είναι ικανά να διεξάγουν ανάλυση συναισθήματος σε μια συλλογή από κριτικές ταινιών, με τελικό σκοπό την συναισθηματικής τους ταξινόμηση ως θετικό ή αρνητικό. Συγκεκριμένα τα συστήματα που θα αναπτυχθούν και θα υλοποιηθούν, θα αποτελούν μοντέλα βαθιάς μάθησης . Θα αναπτυχθούν τρεις διαφορετικές αρχιτεκτονικές βαθιάς μάθησης με αναδρομικά νευρωνικά δίκτυα (LSTM) και στο τέλος θα διεξαχθεί συγκριτική μελέτη για την εξέταση της απόδοσης τους στην ταξινόμηση των εν λόγω κειμένων.