Συντάχθηκε 11-06-2025 09:41
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 13/06/2025 12:00
Λήξη: 13/06/2025 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Παρασκευή, 13 Ιουνίου 2025, 12:00
https://tuc-gr.zoom.us/j/84376874961?pwd=WTVEY1RZQzhST0lUcDNuR1U5T1M1dz09
Ονοματεπώνυμο: ΤΣΑΠΑΚΟΣ ΧΑΡΑΛΑΜΠΟΣ
Θέμα: Σύγκριση Αλγορίθμων Επεξεργασίας Φυσικής Γλώσσας για την Ανάλυση Ικανοποίησης Πελατών
Title: Comparison of Natural Language Processing Algorithms for Customer Satisfaction Analysis
Εξεταστική Επιτροπή
- ΤΣΑΦΑΡΑΚΗΣ ΣΤΕΛΙΟΣ, Αναπληρωτής Καθηγητής (επιβλέπων)
- ΦΑΦΑΛΙΟΣ ΠΑΥΛΟΣ, Επίκουρος Καθηγητής
- ΚΡΑΣΑΔΑΚΗ ΕΥΑΓΓΕΛΙΑ, ΕΔΙΠ
Περίληψη
Η παρούσα διπλωματική εργασία πραγματεύεται την ανάλυση της ικανοποίησης πελατών μέσα από δεδομένα σχολίων/κριτικών που προέρχονται από διαδικτυακές πηγές. Βασίζεται σε τεχνικές επεξεργασίας φυσικής γλώσσας (Natural Language Processing – NLP), με στόχο την εξαγωγή χρήσιμων συμπερασμάτων για το πώς αξιολογούν οι χρήστες ένα προϊόν ή μία εμπειρία. Τα εμπειρικά δεδομένα περιλαμβάνουν σχόλια χρηστών για ένα συγκεκριμένο προϊόν ή σύνολο προϊόντων. Ο σκοπός της εργασίας είναι διπλός: αφενός να αξιολογηθεί η απόδοση διαφορετικών αλγορίθμων στην εξαγωγή θεμάτων, συναισθημάτων και ταξινόμησης σχολίων, και αφετέρου να αποδειχθεί η χρησιμότητα των μεθόδων NLP για επιχειρηματική αξιολόγηση της ικανοποίησης πελατών. Η μέθοδος που θα εφαρμοστεί περιλαμβάνει τη χρήση του MATLAB και συγκεκριμένα του Text Analytics Toolbox για εφαρμογή βασικών τεχνικών NLP: sentiment analysis, topic modeling και text classification. Επιπλέον, για λόγους σύγκρισης και αξιολόγησης, θα χρησιμοποιηθούν σύγχρονα προχωρημένα μοντέλα όπως ο BERT και το GPT-4. Η επιλογή αυτών των μεθόδων δικαιολογείται από τη σημασία που αποκτούν οι τεχνικές NLP στην εποχή της πληθώρας δεδομένων κειμένου, αλλά και από την ανάγκη για επιστημονική αξιολόγηση των εργαλείων που παρέχει το MATLAB έναντι πιο πρόσφατων λύσεων, όπως τα μεγάλα γλωσσικά μοντέλα (LLMs). Η συγκριτική ανάλυση ενισχύει τη δυνατότητα επιλογής κατάλληλων μεθόδων σε μελλοντικές εφαρμογές.
Abstract
This thesis explores the application of Natural Language Processing (NLP) techniques for analyzing customer satisfaction through online review data. The study begins by presenting the theoretical background and capabilities of the MATLAB Text Analytics Toolbox, followed by the implementation of core NLP tasks such as sentiment analysis, topic modeling, and text classification. To assess the effectiveness of different approaches, a comparative analysis is conducted between traditional methods available in the MATLAB environment and state-of-the-art language models, including GPT-4 and BERT. The research aims to evaluate the accuracy, interpretability, and practical applicability of each technique by extracting insights from customer feedback. By leveraging real-world data, this work highlights how advanced NLP can be integrated into consumer analytics, contributing to more informed business decisions and enhancing user experience evaluation. The findings are expected to inform future implementations of text analysis tools in both academic research and industry practices.
