Εντοπίστηκε ένα σφάλμα στη λειτουργία της ΠΥΞΙΔΑΣ όταν χρησιμοποιείται μέσω του προγράμματος περιήγησης Safari. Μέχρι να αποκατασταθεί το πρόβλημα, προτείνουμε τη χρήση εναλλακτικού browser όπως ο Chrome ή ο Firefox. A bug has been identified in the operation of the PYXIDA platform when accessed via the Safari browser. Until the problem is resolved, we recommend using an alternative browser such as Chrome or Firefox.
Λογότυπο αποθετηρίου

Μεταπτυχιακές Εργασίες

Μόνιμο URI για αυτήν τη συλλογήhttps://pyxida.aueb.gr/handle/123456789/51

Περιήγηση

Πλοήγηση Μεταπτυχιακές Εργασίες ανά Συγγραφέα "Angelis, Athanasios"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Entity based sentiment analysis in financial data
    (22-03-2023) Αγγέλης, Αθανάσιος; Angelis, Athanasios; Athens University of Economics and Business, Department of Management Science and Technology; Kotidis, Yannis; Chatziantoniou, Damianos; Papageorgiou, Haris
    Ο στόχος της μεθόδου Sentiment Analysis στον χρηματοοικονομικό τομέα, ουσιαστικά αναφέρεται στην ποσοτικοποίησστη και την ανάλυση του συναισθήματος το οποίο εξάγεται από χρηματοοικονομικά κείμενα, για διαφορετικούς σκοπούς όπως οι επενδύσεις, η κερδοφορία μιας εταιρείας κ.λπ. Στην εποχή του μεγάλου όγκου δεδομένων (big data), η ανάπτυξη διαφόρων τύπων κειμένων με χρηματοοικονομικό περιεχόμενο αποτελεί μια μεγάλη πρόκληση για τις περισσότερες εταιρείες ή οργανισμούς που προσπαθούν να αντλήσουν αξία από αυτά. Τα κείμενα αποτελούν αδόμητα δεδομένα και επομένως είναι δύσκολο να επεξεργαστούν και να αναλυθούν. Ωστόσο, είναι πολύ σημαντικό για τις εταιρείες να αναπτύξουν κάποια εργαλεία ώστε να μπορούν να λαμβάνουν καλύτερες οικονομικές αποφάσεις χρησιμοποιώντας τον τεράστιο όγκο των οικονομικών κειμένων στο Διαδίκτυο. Σε αυτή τη διατριβή, προσπαθούμε να εξαγάγουμε το συναίσθημα για συγκεκριμένες οντότητες (Entity based Sentiment Analysis) από διάφορα οικονομικά κείμενα με τη βοήθεια αλγορίθμων μηχανικής μάθησης. Χρησιμοποιούμε ταξινομητές όπως Random Forest, Bagging, Gradient Boosting και Voting και με βάση τα αποτελέσματα ο ταξινομητής Voting αποδίδει καλύτερα από τους άλλους.