PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Ανάλυση δεδομένων παραπόνων πελατών ελληνικής τράπεζας με χρήση τεχνικών τεχνολογίας φυσικής γλώσσας
Alternative Title :Analysing data from customers
Creator :Κατσαδάκη, Ειρήνη
Contributor :Λεκάκος, Γεώργιος (Επιβλέπων καθηγητής)
Μούρτος, Ιωάννης (Εξεταστής)
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (Degree granting institution)
Type :Text
Extent :70σ.
Language :el
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7402
Abstract :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.
Subject :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)
Coverage :Text
Date Available :2019-11-18 11:27:31
Date Issued :02/21/2019
Date Submitted :2019-11-18 11:27:31
Access Rights :Free access
Licence :

File: Katsadaki_2019.pdf

Type: application/pdf