Interpretacija modela strojnog učenja koji predviđaju sentiment

diplomski rad

• Naslov (engleski): Interpretation of Machine Learning Models Predicting Sentiment Analysis
• Autor: Dorotea Protrka
• Mentor: Domagoj Jakobović (mentor)
• Član povjerenstva: Domagoj Jakobović (predsjednik povjerenstva)
• Član povjerenstva: Marko Đurasević (član povjerenstva)
• Član povjerenstva: Jan Šnajder (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2021-07-15, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

U vrijeme dominacije društvenih mreža u međuljudskoj komunikaciji, detekcija govora mržnje bitan je problem. Nakon interpretacije modela logističke regresije, čini se da, iako je pokazao dobre rezultate, ima prostora za poboljšanje. Kako bi se suočio s problemom pristranosti, GBT je obucen s istim značajkama. Rezultati su poboljšani. Drugi model, potpuno povezana neuronska mreža, osposobljena je pomoću vektoriziranih prikaza rijeci. Interpretacija modela dovodi do boljeg razumijevanja slabih strana modela.
Na temelju važnosti značajki, zaključujemo da je govor mržnje u tvitovima često rezultat političkog neslaganja i netolerancije.

Sažetak (engleski)

At a time dominated by social networks, hate speech detection is an important
problem. Few different approaches were tested. After model interpretation, logistic
regression, even though it showed good results, appeared to have more space for improvement. To face the problem of bias, GBT was trained with the same features.
Results improved. Another model, fully connected neural network, was trained using
the word embeddings. Model interpretation lead to the better understanding of model’s
weak points.
Based on feature importance, hate speech in tweets is often a result of political disagreement and intolerance in general.

• Ključne riječi: Interpretabilnost; analiza sentimenta; objašnjivi modeli; SHAP
• Ključne riječi (engleski): Interpretability; Sentiment Analysis; Interpretable Models; SHAP
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:594704
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 13:35:03