BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20240906T130335Z LAST-MODIFIED:20240906T130335Z DTSTAMP:20260908T035706Z UID:1788829026@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Ηλιοδώρας Σεφερλή - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=7204&cHash=5a 3e3d0155f37ae1f4dc273641b1765f\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ηλ ιοδώρας Σεφερλή\n με θέμα\n Διαδραστ ική Δημιουργία Ιστοριών με Χρήση Τεχ νικών Φιλτραρίσματος βάσει Περιεχομέ νου \n Interactive Story Generation via Content-Based Filtering\n Εξετασ τική Επιτροπή\n Καθηγητής Γεώργιος Χ αλκιαδάκης (επιβλέπων)\n Καθηγητής Μ ιχαήλ Λαγουδάκης\n Αναπληρωτής Καθηγ ητής Στέργος Αφαντενός \n Περίληψη\n Η παρούσα διπλωματική εργασία πραγμ ατεύεται την ανάπτυξη ενός διαδραστι κού συστήματος παραγωγής ιστοριών μέ σω της εφαρμογής τεχνικών φιλτραρίσμ ατος βάσει περιεχομένου. Ο κύριος στ όχος είναι να σχεδιαστεί ένας δυναμι κός μηχανισμός αφήγησης (στην αγγλικ ή καθομιλουμένη, ένας dungeon master - DM) ικανός να προβλέπει και να δη μιουργεί αφηγηματικές διαδρομές ευθυ γραμμισμένες με τις προτιμήσεις των χρηστών. Αξιοποιώντας τεχνικές αναπα ράστασης κειμένου όπως ο αλγόριθμος Term Frequency-Inverse Document Freq uency(TF-IDF) και Class Label Freque ncy Distance (CLFD) , το σύστημα εκπ αιδεύεται σε ένα σύνολο δεδομένων πο υ περιλαμβάνει περιλήψεις βιβλίων κα ι τα αντίστοιχα είδη τους.\n Η μελέτ η μας αξιολογεί την αποτελεσματικότη τα μεθόδων ταξινόμησης όπως Logistic Regression, Support Vector Machines (SVM), Multi-Layer Perceptron (MLP) , Random Forest, και Naive Bayes στη βελτίωση της ικανότητας του DM να κ ατανοεί και να προβλέπει αφηγηματικά στοιχεία εντός συγκεκριμένων κεφαλα ίων. Εξετάζεται επίσης η χρήση μεθόδ ων συσταδοποίησης για να διαπιστωθεί αν η ενσωμάτωση κεφαλαίων χωρίς ετι κέτες θα παρέχει καλύτερα αποτελέσμα τα. Εξετάζοντας και τις δύο προσεγγί σεις, η έρευνα μας στόχευε στον εντο πισμό της πιο αποτελεσματικής στρατη γικής για τον DM να κατηγοριοποιεί κ αι να δημιουργεί περιεχόμενο που να ανταποκρίνεται στις προτιμήσεις των χρηστών. Η αξιολόγηση αυτών των μεθό δων περιελάμβανε τόσο υπολογιστικά π ειράματα, όσο και την αξιοποίηση πρα γματικών χρηστών που αλληλοεπίδρασαν με το σύστημα, επιλέγοντας διαδρομέ ς στην ιστορία που καθορίστηκαν από τον DM βάσει των ταξινομικών του ικα νοτήτων. Για το σκοπό αυτό, παρέχουμ ε ένα γραφικό περιβάλλον όπου οι χρή στες μπορούν να διαβάσουν και να επι λέξουν τη δική τους διαδρομή. \n Συγ κεκριμένα, τα πειραματικά αποτελέσμα τα για τις μεθόδους ταξινόμησης δείχ νουν ότι η Λογιστική Παλινδρόμηση εί ναι η ταχύτερη και πιο αποτελεσματικ ή μέθοδος για την ακριβή αναγνώριση κάθε ετικέτας διαδρομής. Δοκιμάσαμε τη θεωρία μας με δύο διαφορετικά σύν ολα δεδομένων που περιλαμβάνουν περι λήψεις βιβλίων με διαφορετικό αριθμό εγγράφων, εξετάζοντας πώς διαφέρουν τα αποτελέσματα με τη χρήση μεγαλύτ ερων συνόλων δεδομένων. Επιπλέον, δε ίχνουμε πειραματικά ότι η προσέγγιση CLFD είναι καλύτερη για την αναπαρά σταση κειμένου για είδη που εμφανίζο νται ως πολλαπλά ετικετοποιημένα. Λά βαμε αξιολογήσεις για τις συστάσεις διαδρομών του συστήματος και πώς το πρόγραμμα λειτουργεί συνολικά για αυ τούς. Εν κατακλείδι, πιστεύουμε ότι η εργασία μας συμβάλλει στον τομέα τ ης διαδραστικής αφήγησης παρέχοντας πληροφορίες σχετικά με την εφαρμογή προηγμένων τεχνικών αναπαράστασης κε ιμένου και μηχανικής μάθησης για την παραγωγή αφηγηματικών διαδρομών. Υπ ογραμμίζει τη σημασία της κατανόησης των προτιμήσεων των χρηστών και προ σφέρει ένα πλαίσιο για την ανάπτυξη ευφυών DM ικανών να παρέχουν εξατομι κευμένες αφηγηματικές διαδρομές.\n A bstract \n This thesis explores the development of an interactive story generation system through the applic ation of content-based filtering tec hniques. The primary goal is to desi gn a dynamic storytelling mechanism (colloquially known as a “dungeon ma ster” - DM) capable of predicting an d generating narrative paths aligned with user preferences. Leveraging t ext vectorization techniques such as Term Frequency-Inverse Document Fre quency (TF-IDF) and Class Label Freq uency Distance (CLFD), the system is trained on a dataset comprising\n b ook summaries and their associated g enres.\n The study evaluates the eff icacy of classification methods such as Logistic Regression, Support Vec tor Machines (SVM), Multi-Layer Perc eptron (MLP), Random Forest, and Nai ve Bayes in enhancing the DM’s abili ty to comprehend and predict narrati ve elements within specific chapters . The use of clustering methods is a lso examined to determine if the inc lusion of the non-labeled chapters w ill provide better results. By exami ning both approaches, our thesis wor k manages to identify the most effec tive strategy for the DM to categori ze and generate content that resonat es with users’ tastes. The evaluatio n of our methods was conducted both in silico but also via the involveme nt of real users who interacted with the system, choosing paths in the s tory determined by the DM based on i ts classification capabilities. To t his end, we also provided a graphica l interface where users can read and choose their own path.\n Specifical ly, experimental results for the cla ssification methods indicate that Lo gistic Regression is the fastest and most effective method for accuratel y recognizing each path label. We te sted our system with two different d atasets containing book summaries wi th different numbers of documents, e xamining how the results differ with the use of larger datasets. Additio nally, we show experimentally that t he CLFD approach is better for text vectorization for genres that appear to be multi-labeled. We received us er evaluations for its path recommen dations and how the framework overal l works for them.\n In summary, our work contributes to the field of int eractive storytelling by providing i nsights into the application of adva nced text vectorization and machine learning techniques for narrative ge neration. It highlights the importan ce of understanding user preferences and offers a framework for developi ng intelligent DMs capable of delive ring customized story paths.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20240912T140000 DTEND:20240912T150000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR