Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Διοίκησης Επιχειρήσεων / School of Business Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας / Department of Management Science and Technology Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Ανάλυση δεδομένων παραπόνων πελατών ελληνικής τράπεζας με χρήση τεχνικών τεχνολογίας φυσικής γλώσσας

Εναλλακτικός τίτλος :	Analysing data from customers

Δημιουργός :	Κατσαδάκη, Ειρήνη

Συντελεστής :	Λεκάκος, Γεώργιος (Επιβλέπων καθηγητής) Μούρτος, Ιωάννης (Εξεταστής) Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	70σ.

Γλώσσα :	el

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7402

Περίληψη :	Στις μέρες μας, το διαδίκτυο αποτελεί πρωταρχική πηγή έρευνας και γνώσης. Ψηφιακές βιβλιοθήκες και βάσεις δεδομένων περιέχουν εκατομμύρια έγγραφα, που πληθαίνουν μέρα με τη μέρα και ακόμα λεπτό με λεπτό. Το φαινόμενο αυτό, αφορά πολλούς ειδικούς επειδή αρκετοί άνθρωποι αφιερώνουν μεγάλο ποσοστό από το χρόνο τους για να ανακτήσουν χρήσιμες πληροφορίες από υπερμεγέθεις συλλογές κειμένων. Χωρίς αμφιβολία, η αυτοματοποιημένη κατηγοριοποίηση ή ταξινόμηση κειμένων και κατ’επέκταση γνώμης, χαρακτηρίζεται ως μία ιδιαίτερα δύσκολη αποστολή. Η αυτοματοποιημένη κατηγοριοποίηση (ή ταξινόμηση) κειμένων σε προκαθορισμένες κατηγορίες γνώρισε εντυπωσιακό ενδιαφέρον τα τελευταία δέκα χρόνια, λόγω κυρίως της αυξημένης διαθεσιμότητας των δεδομένων σε ψηφιακή μορφή και της επακόλουθης ανάγκης να αποθηκευτούν ακολουθώντας συγκεκριμένη οργάνωση και δομή. Στην ερευνητική κοινότητα, η κυρίαρχη προσέγγιση αυτού του προβλήματος βασίζεται σε τεχνικές μηχανικής μάθησης: μια γενική επαγωγική διαδικασία δημιουργεί αυτόματα έναν ταξινομητή, μαθαίνοντας, από μια σειρά προταξινομημένων εγγράφων, τα χαρακτηριστικά των κατηγοριών. Τα πλεονεκτήματα αυτής της προσέγγισης σε σχέση με την χειροκίνητη ταξινόμηση από ανθρώπους είναι ότι προσφέρει καλύτερη αποτελεσματικότητα, σημαντική εξοικονόμηση πόρων και δυναμικού, αλλά και φορητότητα σε ποικίλλους τομείς. Η παρούσα εργασία συζητά τις βασικές προσεγγίσεις στην κατηγοριοποίηση κειμένων που εμπίπτουν στο πρότυπο μηχανικής μάθησης και χρησιμοποιήθηκαν στα πλαίσιά της. Θα συζητήσουμε λεπτομερώς και θα αναλυθούν όλες οι προσεγγίσεις που έλαβαν χώρα ώστε να επιτευχθεί η κατηγοριοποίηση των παραπόνων καθώς και απλών επιθυμιών των πελάτων της τράπεζας που έχουν συλλεχθεί. Nowadays, the Internet is the primary source for searching and gaining knowledge. Digital libraries and databases contain millions of documents, a number that increases day by day. This phenomenon concerns a lot of experts, because a big percentage of people dedicate their time trying to retrieve useful information through vast text collections. Without doubt, automatic classification and categorization of opinion, no matter the subject, is far from being described as an easy task. However, many classification algorithms as well as a lot of programs have been created which can achieve this goal. The field of automatic opinion extraction has gained the researchers’ interest through the last decade and has been developed rapidly in the terms of the general development of the wider field of Artificial Intelligence. The aforementioned field of opinion extraction has been significant not only for the businesses, as they need to get knowledge of how their customers feel about their services or products in order to take advantage in the competition between other companies. The automated categorization (or classification) of texts into predefined categories has witnessed a booming interest in the last ten years, due to the increased availability of documents in digital form and the ensuing need to organize them. This survey discusses the main approaches to text categorization that fall within the machine learning paradigm and were used as well. We will discuss in detail issues and we will analyze all the approaches that took place in order to classify the complaints as well as simple desires, of the customers of the bank, that had been collected.

Περίληψη :

Στις μέρες μας, το διαδίκτυο αποτελεί πρωταρχική πηγή έρευνας και γνώσης. Ψηφιακές βιβλιοθήκες και βάσεις δεδομένων περιέχουν εκατομμύρια έγγραφα, που πληθαίνουν μέρα με τη μέρα και ακόμα λεπτό με λεπτό. Το φαινόμενο αυτό, αφορά πολλούς ειδικούς επειδή αρκετοί άνθρωποι αφιερώνουν μεγάλο ποσοστό από το χρόνο τους για να ανακτήσουν χρήσιμες πληροφορίες από υπερμεγέθεις συλλογές κειμένων. Χωρίς αμφιβολία, η αυτοματοποιημένη κατηγοριοποίηση ή ταξινόμηση κειμένων και κατ’επέκταση γνώμης, χαρακτηρίζεται ως μία ιδιαίτερα δύσκολη αποστολή. Η αυτοματοποιημένη κατηγοριοποίηση (ή ταξινόμηση) κειμένων σε προκαθορισμένες κατηγορίες γνώρισε εντυπωσιακό ενδιαφέρον τα τελευταία δέκα χρόνια, λόγω κυρίως της αυξημένης διαθεσιμότητας των δεδομένων σε ψηφιακή μορφή και της επακόλουθης ανάγκης να αποθηκευτούν ακολουθώντας συγκεκριμένη οργάνωση και δομή. Στην ερευνητική κοινότητα, η κυρίαρχη προσέγγιση αυτού του προβλήματος βασίζεται σε τεχνικές μηχανικής μάθησης: μια γενική επαγωγική διαδικασία δημιουργεί αυτόματα έναν ταξινομητή, μαθαίνοντας, από μια σειρά προταξινομημένων εγγράφων, τα χαρακτηριστικά των κατηγοριών. Τα πλεονεκτήματα αυτής της προσέγγισης σε σχέση με την χειροκίνητη ταξινόμηση από ανθρώπους είναι ότι προσφέρει καλύτερη αποτελεσματικότητα, σημαντική εξοικονόμηση πόρων και δυναμικού, αλλά και φορητότητα σε ποικίλλους τομείς. Η παρούσα εργασία συζητά τις βασικές προσεγγίσεις στην κατηγοριοποίηση κειμένων που εμπίπτουν στο πρότυπο μηχανικής μάθησης και χρησιμοποιήθηκαν στα πλαίσιά της. Θα συζητήσουμε λεπτομερώς και θα αναλυθούν όλες οι προσεγγίσεις που έλαβαν χώρα ώστε να επιτευχθεί η κατηγοριοποίηση των παραπόνων καθώς και απλών επιθυμιών των πελάτων της τράπεζας που έχουν συλλεχθεί.
Nowadays, the Internet is the primary source for searching and gaining knowledge. Digital libraries and databases contain millions of documents, a number that increases day by day. This phenomenon concerns a lot of experts, because a big percentage of people dedicate their time trying to retrieve useful information through vast text collections. Without doubt, automatic classification and categorization of opinion, no matter the subject, is far from being described as an easy task. However, many classification algorithms as well as a lot of programs have been created which can achieve this goal. The field of automatic opinion extraction has gained the researchers’ interest through the last decade and has been developed rapidly in the terms of the general development of the wider field of Artificial Intelligence. The aforementioned field of opinion extraction has been significant not only for the businesses, as they need to get knowledge of how their customers feel about their services or products in order to take advantage in the competition between other companies. The automated categorization (or classification) of texts into predefined categories has witnessed a booming interest in the last ten years, due to the increased availability of documents in digital form and the ensuing need to organize them. This survey discusses the main approaches to text categorization that fall within the machine learning paradigm and were used as well. We will discuss in detail issues and we will analyze all the approaches that took place in order to classify the complaints as well as simple desires, of the customers of the bank, that had been collected.

Λέξη κλειδί :	Ανάλυση δεδομένων Παράπονα Ανάκτηση πληροφοριών Τραπεζική Μηχανική μάθηση Ανάλυση κειμένων Επεξεργασία φυσικής γλώσσας Complaints Data analysis Information retrieval Banking Machine learning Text analysis Natural Language Processing (NLP)

Κάλυψη :	Text

Διαθέσιμο από :	2019-11-18 11:27:31

Ημερομηνία έκδοσης :	02/21/2019

Ημερομηνία κατάθεσης :	2019-11-18 11:27:31

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Katsadaki_2019.pdf

Τύπος: application/pdf

Είσοδος