| dc.contributor.advisor | Αντωνιάδης, Δημήτρης | |
| dc.contributor.author | Παπαδάκης, Αντώνιος | |
| dc.contributor.other | Papadakis, Antonios | |
| dc.coverage.spatial | Κύπρος | el_GR |
| dc.date.accessioned | 2020-07-30T09:04:33Z | |
| dc.date.available | 2020-07-30T09:04:33Z | |
| dc.date.copyright | 2020-07-30 | |
| dc.date.issued | 2020-05 | |
| dc.identifier.other | ΚΠΣ/2020/00049 | el_GR |
| dc.identifier.uri | http://hdl.handle.net/11128/4591 | |
| dc.description | Περιέχει βιβλιογραφικές παραπομπές. | el_GR |
| dc.description.abstract | Η παρούσα μεταπτυχιακή διατριβή εμπίπτει στην εξόρυξη γνώμης (opinion mining) και στην ανάλυση συναισθήματος (sentiment analysis) μέσω επεξεργασίας της φυσικής γλώσσας (natural language processing). Σκοπός μας ήταν να αναλύσουμε αξιολογήσεις προϊόντων της πλατφόρμας BestPrice.gr. Για τη συλλογή των δεδομένων επιλέχθηκαν δέκα συγκεκριμένες κατηγορίες από τις οποίες συλλέχθηκαν αξιολογήσεις. Στο πρώτο στάδιο της διαδικασίας πραγματοποιήθηκε προεπεξεργασία των δεδομένων (preprocessing), δηλαδή έγινε αφαίρεση των stopwords και καθαρισμός από μη χρήσιμα δεδομένα που δεν είχαν κάποια ουσιαστική αξία. Μετά το στάδιο της προεπεξεργασίας επιλέχθηκαν οι τέσσερις σημαντικότερες κατηγορίες προϊόντων, δηλαδή αυτές με το μεγαλύτερο αριθμό αξιολογήσεων. Για κάθε κατηγορία δημιουργήσαμε word clouds για να βρούμε τις λέξεις με τη μεγαλύτερη συχνότητα και να εντοπίσουμε ομοιότητες και διαφορές των λέξεων αυτών μεταξύ των κατηγοριών. Πραγματοποιήθηκε λεξικογραφική ανάλυση μέσω ελληνικού συναισθηματικού λεξικού όπου υπολογίστηκαν 8 διαφορετικά scores τα οποία αφορούν το sentiment, το subjectivity και 6 affects τα οποία είναι τα anger, disgust, fear, happy, sad και surprise. Με χρήση γραφημάτων τύπου scatter plot και boxplot, υπολογίσαμε το συναίσθημα που εκφράζεται για κάθε κατηγορία καθώς και πώς αυτό επηρεάζεται από το rating. Τα αποτελέσματα έδειξαν ότι όσο ανεβαίνει το rating (1-5), τόσο μεγαλώνει και το score για το συναίσθημα (θετικό), τη χαρά αλλά και για την υποκειμενικότητα. Αντίθετα όσο ανεβαίνει το rating μειώνονται τα scores για θυμό, απέχθεια, φόβο, και λύπη, πράγμα το οποίο είναι λογικό όταν μιλάμε για μια θετική αξιολόγηση. Όσον αφορά το score της έκπληξης είναι ουδέτερο καθώς μπορεί να απεικονίζει και θετικό αλλά και αρνητικό συναίσθημα. | el_GR |
| dc.format.extent | vii, 50 σ. ; 30 εκ. | el_GR |
| dc.language | gr | el_GR |
| dc.language.iso | gr | el_GR |
| dc.publisher | Ανοικτό Πανεπιστήμιο Κύπρου | el_GR |
| dc.rights | info:eu-repo/semantics/closedAccess | el_GR |
| dc.subject | Ψηφιακός κόσμος -- Αξιολογήσεις | el_GR |
| dc.subject | Digital world - Ratings | el_GR |
| dc.title | Ανάλυση αξιολογήσεων προϊόντων στον ψηφιακό κόσμο. | el_GR |
| dc.type | Μεταπτυχιακή Διατριβή | el_GR |
| dc.description.translatedabstract | This postgraduate dissertation falls into the category of opinion mining and sentiment analysis through natural language processing. Our goal was to analyze product reviews of the BestPrice.gr platform. Ten specific categories were selected to collect the data from which reviews were collected. In the first stage of the process, pre-processing of the data took place, ie the stopwords were removed and cleaned of useless data that did not have any real value. After the pre-processing stage, the four most important product categories were selected, ie those with the highest number of ratings. For each category we created word clouds to find the words with the highest frequency and to identify similarities and differences of these words between the categories. A lexicographical analysis was performed through a Greek emotional dictionary where 8 different scores were calculated which concern sentiment, subjectivity and 5 affects which are anger, disgust, fear, happy, sad and surprise. Using scatter plot and boxplot graphs, we calculated the emotion expressed for each category and how this is affected by the rating. The results showed that the higher the rating (1-5), the higher the score for sentiment (positive), happiness and subjectivity. On the contrary, as the rating goes up, scores for anger, disgust, fear, and sadness decrease, which makes sense when it comes to a positive evaluation. As for the surprise score, it is neutral as it can reflect both positive and negative emotion. | el_GR |
| dc.format.type | pdf | el_GR |
