A hybrid and scalable framework for sentiment and opinion mining in greek short texts: from domain-specific lexicons and hybrid machine learning to active learning and large language models

Abstract

Sentiment analysis has become a fundamental task in Natural Language Processing (NLP), supporting the automatic interpretation of opinions and emotions expressed in textual data. Although recent advances in deep learning have significantly improved classification performance, low-resource languages continue to face substantial challenges arising from limited annotated corpora, scarce semantic resources, and the inability of generic lexical knowledge to capture domain-specific sentiment variations. Existing approaches typically address these challenges in isolation, lacking a unified methodology that systematically integrates semantic knowledge throughout the sentiment analysis process. This thesis proposes a unified knowledge-driven lifecycle for sentiment analysis in lowresource language environments. The proposed lifecycle systematically integrates the construction, acquisition, representation, and utilization of domain-specific semantic knowledge within a coherent methodological framework. Domain-specific semantic knowledge is first constructed through automatically generated sentiment lexicons, efficiently expanded using Active Learning to reduce manual annotation effort, transformed into structured and interpretable semantic representations, and finally exploited by deep learning models for sentiment classification. The proposed methodology is experimentally validated using multiple Greek social media datasets spanning diverse thematic domains, providing a realistic evaluation under low-resource conditions. The research introduces a reproducible methodology for constructing domain-specific semantic lexicons through the proposed Scorew and Weightw metrics, enabling the systematic quantification of both sentiment polarity and domain-specific lexical importance. It further demonstrates that Active Learning substantially reduces annotation effort while maintaining annotation quality, allowing semantic knowledge to evolve throughout the learning process. Building upon these resources, the proposed topic-aware structured semantic representation enables explicit semantic knowledge to be integrated with neural learning while preserving interpretability. The experimental results demonstrate that systematically constructed, efficiently acquired, and explicitly represented semantic knowledge can effectively complement data-driven learning in low-resource language environments. Beyond the performance of an individual sentiment classifier, the principal contribution of this thesis is the introduction and validation of a unified knowledge-driven lifecycle that establishes a coherent methodological foundation for integrating evolving semantic knowledge into sentiment analysis and provides a basis for future knowledge-driven research in low-resource Natural Language Processing

Η ανάλυση συναισθήματος αποτελεί ένα από τα σημαντικότερα ερευνητικά πεδία της Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing – NLP), καθώς επιτρέπει την αυτόματη εξαγωγή απόψεων και συναισθημάτων από κειμενικά δεδομένα. Παρά τη σημαντική πρόοδο που έχει επιτευχθεί τα τελευταία χρόνια μέσω της βαθιάς μάθησης, οι γλώσσες χαμηλών πόρων εξακολουθούν να αντιμετωπίζουν ουσιαστικές προκλήσεις, οι οποίες σχετίζονται με την περιορισμένη διαθεσιμότητα επισημειωμένων σωμάτων κειμένων, την έλλειψη ποιοτικών σημασιολογικώνπόρων και την αδυναμία των γενικών λεξικών να αποτυπώσουν τις ιδιαιτερότητες της συναισθηματικής έκφρασης σε διαφορετικά θεματικά πεδία. Οι υφιστάμενες προσεγγίσεις αντιμετωπίζουν συνήθως τα παραπάνω προβλήματα αποσπασματικά, χωρίς να προσφέρουν μία ενιαία μεθοδολογία που να ενσωματώνει συστηματικά τη σημασιολογική γνώση σε ολόκληρη τη διαδικασία της ανάλυσης συναισθήματος. Η παρούσα διδακτορική διατριβή προτείνει έναν ενιαίο κύκλο ζωής (unified knowledge driven lifecycle) για την ανάλυση συναισθήματος σε περιβάλλοντα γλωσσών χαμηλών πόρων. Ο προτεινόμενος κύκλος ζωής ενοποιεί συστηματικά την κατασκευή, την απόκτηση, την αναπαράσταση και την αξιοποίηση εξειδικευμένης σημασιολογικής γνώσης ανά θεματικό πεδίο, συγκροτώντας ένα συνεκτικό μεθοδολογικό πλαίσιο. Η σημασιολογική γνώση κατασκευάζεται αρχικά μέσω της αυτόματης δημιουργίας εξειδικευμένων λεξικών συναισθήματος, εμπλουτίζεται αποδοτικά με τεχνικές Ενεργητικής Μάθησης (Active Learning) ώστε να περιορίζεται η ανάγκη χειροκίνητης επισημείωσης, μετασχηματίζεται σε δομημένες και ερμηνεύσιμες σημασιολογικές αναπαραστάσεις και, τέλος, αξιοποιείται από μοντέλα βαθιάς μάθησης για την ταξινόμηση συναισθήματος. Η προτεινόμενη μεθοδολογία αξιολογείται πειραματικά σε πολλαπλά σύνολα δεδομένων ελληνικών δημοσιεύσεων κοινωνικών δικτύων που καλύπτουν διαφορετικές θεματικές κατηγορίες, προσφέροντας μία ρεαλιστική αξιολόγηση σε συνθήκες γλώσσας χαμηλών πόρων. Η έρευνα εισάγει μία αναπαραγώγιμη μεθοδολογία κατασκευής εξειδικευμένων λεξικών συναισθήματος μέσω των προτεινόμενων μετρικών Scorew και Weightw, οι οποίες ποσοτικοποιούν συστηματικά τόσο την πολικότητα του συναισθήματος όσο και τη θεματική σημασία κάθε λεκτικής μονάδας. Επιπλέον, αποδεικνύεται ότι η Ενεργητική Μάθηση μπορεί να μειώσει σημαντικά τον απαιτούμενο φόρτο επισημείωσης, διατηρώντας παράλληλα υψηλή ποιότητα επισημειώσεων και επιτρέποντας στη σημασιολογική γνώση να εξελίσσεται δυναμικά κατά τη διάρκεια της μαθησιακής διαδικασίας. Βασιζόμενη στους παραπάνω πόρους, η προτεινόμενη θεματικά προσαρμοζόμενη δομημένη σημασιολογική αναπαράσταση επιτρέπει την αποτελεσματική ενσωμάτωση ρητής σημασιολογικής γνώσης σε μοντέλα βαθιάς μάθησης, διατηρώντας ταυτόχρονα την ερμηνευσιμότητα του συστήματος. Τα πειραματικά αποτελέσματα καταδεικνύουν ότι η συστηματικά κατασκευασμένη, αποδοτικά αποκτηθείσα και ρητά αναπαριστώμενη σημασιολογική γνώση μπορεί να λειτουργήσει συμπληρωματικά προς τις προσεγγίσεις που βασίζονται αποκλειστικά στη μάθηση από δεδομένα σε περιβάλλοντα γλωσσών χαμηλών πόρων. Πέρα από τη βελτίωση της απόδοσης ενός επιμέρους ταξινομητή συναισθήματος, η κύρια επιστημονική συμβολή της διατριβής συνίσταται στην εισαγωγή και πειραματική τεκμηρίωση ενός ενιαίου κύκλου ζωής καθοδηγούμενου από τη γνώση, ο οποίος θεμελιώνει μία συνεκτική μεθοδολογία για τη συστηματική ενσωμάτωση εξελισσόμενης σημασιολογικής γνώσης στην ανάλυση συναισθήματος και δημιουργεί τις βάσεις για μελλοντική έρευνα στην κατεύθυνση της γνώσης στην Επεξεργασία Φυσικής Γλώσσας για γλώσσες χαμηλών πόρων.