Please use this identifier to cite or link to this item:
https://hdl.handle.net/20.500.14279/34610| Title: | Παρατήρηση επιπτώσεων sentiment analysis σε LLM μικρού όγκου |
| Authors: | Ιουλιανού, Παναγιώτης |
| Keywords: | evaluation;sentiment;chatbot;W-CNN |
| Advisor: | Djouvas, Constantinos |
| Issue Date: | Dec-2023 |
| Department: | Department of Communication and Internet Studies |
| Faculty: | Faculty of Communication and Media Studies |
| Abstract: | Aναλύσαμε τις διαφορές η προσθήκη σκιαγράφηση προφίλ του συντάκτη(author profiling) μπορεί να κάνει στις απαντήσεις που δημιουργούνται από ένα chatbot συνομιλίας. Περιγράφουμε σε λεπτομέρεια τα χαρακτηριστικά του αλγορίθμου που χρησιμοποιούμε για επισήμανση δεδομένων ως αφορά το εσωστρεφή και εξωστρεφή λόγο και πως αυτά επηρεάζουν τα αποτελέσματα σε LLM. Ακολούθως το ενσωματώνουμε στον “αγωγό”(pipeline) του chatbot συνομιλίας μας έτσι ώστε πριν το chatbot να αναλύσει και να απαντήσει στο μήνυμα το μοντέλο αξιολόγησης πλαισίου μας να καθορίζει το πλαίσιο του περιεχομένου του. Ακολούθως το Chatbot θα αλλοιώσει τα βάρη του chatbot συνομιλίας έτσι να δημιουργήσει μία πιο κατάλληλη απάντηση. Σε συνέχεια θα χρησιμοποιήσουμε 1 μοντέλο NLG(Natural Language Generation) μέτρησης που ονομάζονται BLEU με αρχιτεκτονική W-CNN ώστε να μετρήσουμε την διαφορά ποιότητας των απαντήσεων με και χωρίς σκιαγράφηση προφίλ του συντάκτη, στη συνέχεια θα αναλύσουμε και θα συγκρίνουμε αυτά τα δεδομένα οδηγώντας στο συμπέρασμά μας ότι με τη χρήση αυτής της τεχνικής το chatbot θα έχει βελτιωθεί και στις 2 βαθμολογίες μέτρησης αποδεικνύοντας έτσι ότι έχει μετρήσιμο θετικό αντίκτυπο στην απόδοσή του. |
| Description: | We analyzed the differences adding author profiling can make to the responses generated by a chatbot. We describe in detail the characteristics of the algorithm we use for data tagging in terms of introverted and extraverted discourse and how these affect the results in LLM. We then integrate it into our chatbot conversation "pipeline"(pipeline) so that before the chatbot analyzes and responds to the message our context evaluation model determines the context of its content. Subsequently the chatbot will alter the chatbot conversation weights so as to generate a more appropriate response. We will then use 1 NLG(Natural Language Generation) measurement models called BLEU with W-CNN architecture to measure the difference in quality of responses with and without author profile profiling, we will then analyze and compare this data leading to our conclusion that by using this technique the chatbot will have improved on both measurement scores thus demonstrating that it has a measurable positive impact on its performance. |
| URI: | https://hdl.handle.net/20.500.14279/34610 |
| Rights: | Attribution-NonCommercial-NoDerivatives 4.0 International |
| Type: | Bachelors Thesis |
| Affiliation: | Cyprus University of Technology |
| Appears in Collections: | Πτυχιακές Εργασίες/ Bachelor's Degree Theses |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| BSC_Παναγιώτης Ιουλιανού_2023_abstract.pdf | ΠΕΡΙΛΗΨΗ | 204.37 kB | Adobe PDF | View/Open |
CORE Recommender
This item is licensed under a Creative Commons License
