Otkrivanje prisutnosti stresa u objavama na Redditu pomoću obrade prirodnog jezika

završni rad

• Naslov (engleski): Detecting Presence of Stress in Reddit Posts Using Natural Language Processing
• Autor: Luka Pavlović
• Mentor: Jan Šnajder (mentor)
• Član povjerenstva: Jan Šnajder (predsjednik povjerenstva)
• Član povjerenstva: Ivan Crnomarković (član povjerenstva)
• Član povjerenstva: Zoran Medić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2021-07-05, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Cilj ovog rada bio je razvoj modela strojnog učenja koji će uspješno otkrivati prisutnost
stresa u objavama na Redditu. Skup podataka korišten u ovom radu stvorili su istraživači sa
Sveučilišta Columbia. Skup podataka stvoren je web-scrapingom društvene mreže Reddit.
Podaci su podijeljeni po domenama koje sadrže jedan subreddit ili više njih. Iako skup
podataka sadrži veći broj značajki, samo tri su korištene u ovom radu, a to su: subreddit, tekst
objave i oznaka koja označava prisutnost stresa. U pokušaju stvaranja modela koji će imati
zadovoljavajuće performanse izgrađena su četiri modela. Kao osnovni modeli stvoreni su:
klasifikator većinske klase te stroj potpornih vektora (engl. Support Vector Machine, SVM),
koji je koristio Term Frequency-Inverse Document Frequency vektore. Također, stvorene
su dvije verzije modela dubokog učenja: Long Short-Term Memory (LSTM) s globalnim
vektorima za reprezentaciju riječi (engl. Global Vectors for Word Representation, GloVe) i
LSTM s vektorizatorom FastText. Model SVM i model LSTM s GloVe optimizirani su na
najbolje hiperparametre te su evaluirani na skupu za testiranje. Unatoč visokim očekivanjima
od modela dubokog učenja, najbolje rezultate dao je model SVM.

Sažetak (engleski)

The aim of this thesis was to develop a machine learning model that will successfully
detect the presence of stress in Reddit posts. The dataset used in this thesis was created by
researchers from Columbia University. The dataset was created by scraping of social network
Reddit. Data is divided into domains that contain one or more subreddits. Although
the dataset contains a number of features, only three were used for purposes of this thesis,
namely: subreddit, users’ post text, and a label indicating the presence of stress. Four
models were built in an attempt to create a model that would have satisfactory performance.
As baseline models, the following have been created: majority class baseline and Support
Vector Machine (SVM) which uses TF-IDF vectors. Also, two versions of the deep learning
model were created: Long Short-Term Memory (LSTM) with GloVe vectors and LSTM with
FastText vectorizer. SVM model and LSTM with GloVe were optimized for the best hyperparameters
and evaluated on the test set. Despite high expectations from the deep learning
model, the best results were obtained using the SVM model.

• Ključne riječi: obrada prirodnog jezika; strojno učenje; Long Short-Term Memory; binarna klasifikacija; stroj potpornih vektora; stres; anksioznost; FastText
• Ključne riječi (engleski): natural language processing; machine learning; Long Short-Term Memory; binary classification; Support Vector Machine; stress; anxiety; FastText
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:720918
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-14 21:23:40