Using Twitter to identify consumer sentiment about products and services through AI
Τα μέσα κοινωνικής δικτύωσης (social media) έχουν εδραιωθεί ως πλατφόρμες από τις οποίες δίνεται η δυνατότητα να αναζητηθούν και να εξαχθούν πληροφορίες σχετικά με την επικρατούσα γνώμη του καταναλωτικού κοινού για υπάρχοντα προϊόντα και υπηρεσίες. Το Twitter αποτελεί την κύρια πηγή άντλησης παρόμ...
Saved in:
| Main Authors: | , |
|---|---|
| Other Authors: | |
| Language: | en_US |
| Published: |
2023
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/11610/25212 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Τα μέσα κοινωνικής δικτύωσης (social media) έχουν εδραιωθεί ως πλατφόρμες από τις οποίες δίνεται η δυνατότητα να αναζητηθούν και να εξαχθούν πληροφορίες σχετικά με την επικρατούσα γνώμη του καταναλωτικού κοινού για υπάρχοντα προϊόντα και υπηρεσίες.
Το Twitter αποτελεί την κύρια πηγή άντλησης παρόμοιων μη-δομημένων πληροφοριών, στρέφοντας το ενδιαφέρον των εταιριών στην έρευνα για την κατανόηση των απόψεων του καταναλωτικού κοινού μέσω της άντλησης των πληροφοριών που αναρτώνται στην πλατφόρμα. Παραδείγματα στα οποία θα μπορούσαν να εφαρμοστούν και να αξιοποιηθούν μέθοδοι ανάλυσης των δεδομένων αυτών αφορούν την ακριβέστερη πρόβλεψη μελλοντικών πωλήσεων, την υποστήριξη στην λήψη σημαντικών αποφάσεων που αφορούν το marketing, βελτιστοποίηση των υπαρχόντων προϊόντων κλπ.
Η παρούσα διπλωματική εργασία εστιάζει στη διερεύνηση διαφόρων αρχιτεκτονικών νευρωνικών δικτύων και στη βελτιστοποίηση των παραμέτρων εκπαίδευσής τους με σκοπό τη μεγιστοποίηση της αποτελεσματικότητας τους στην αναγνώριση του συναισθήματος κειμένου, συγκεκριμένα υπό την μορφή των tweets που αναρτώνται από τους χρήστες στην πλατφόρμα του Twitter.
Για αυτό τον σκοπό, διερευνήθηκαν διαφορετικοί τύποι νευρωνικών μοντέλων για την αναγνώριση συναισθήματος από ένα σύνολο 8.600 tweets, τα οποία έχουν αναρτηθεί στην πλατφόρμα από 1ης Ιουνίου έως 30ης Σεπτεμβρίου 2021. Το συγκεκριμένο σύνολο δεδομένων δημιουργήθηκε αποκλειστικά για τις ανάγκες της έρευνας και εμπεριέχει tweets τα οποία έχουν συλλεχτεί από την πλατφόρμα, αναζητώντας την λέξη-κλειδί #apple προκειμένου να αφορούν αναρτήσεις καταναλωτών οι οποίοι εκφράζουν τις απόψεις και τις εμπειρίες τους από τη χρήση προϊόντων και υπηρεσιών της εταιρείας Apple Inc. Στα συλλεχθέντα tweets έγινε επεξεργασία ώστε να μετασχηματιστούν σε κατάλληλη μορφή για την επεξεργασία κειμένου από νευρωνικό δίκτυο.
Έχοντας επιλέξει κατάλληλη αλλά και απλή αρχιτεκτονική νευρωνικού δικτύου, διερευνήσαμε διεξοδικά τις παραμέτρους της διαδικασίας εκπαίδευσης (αλλά και παραμέτρων του ίδιου του μοντέλου) και επιλέξαμε τις τιμές εκείνες για τις οποίες βελτιστοποιείται η αποτελεσματικότητα του δικτύου και επιτυγχάνεται ο αντικειμενικός στόχος της εκπαίδευσης, η αναγνώριση του θετικού και αρνητικού συναισθήματος με όσο το δυνατόν μικρότερο σφάλμα.
Η προτεινόμενη μέθοδος πειραματικής διαδικασίας και ανάλυσης μπορεί να εφαρμοστεί στη βελτιστοποίηση της διαδικασίας εκπαίδευσης δικτύων με παρόμοιο αντικειμενικό στόχο, όπως είναι π.χ. η αξιολόγηση προϊόντων, αλλά και άλλων δικτύων. |
|---|