Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Διαδραστική δημιουργία ιστοριών με χρήση τεχνικών φιλτραρίσματος βάσει περιεχομένου

Seferli Iliodora

Πλήρης Εγγραφή

---

Περίληψη

Τα τελευταία χρόνια, η Τεχνητή Νοημοσύνη έχει αρχίσει να επεκτείνεται σε διάφορους τομείς, τόσο στον κόσμο της επιστήμης, όσο και στον κόσμο των παιχνιδιών. Η παρούσα διπλωματική εργασία πραγματεύεται την ανάπτυξη ενός διαδραστικού συστήματος παραγωγής ιστοριών μέσω της εφαρμογής τεχνικών φιλτραρίσματος βάσει περιεχομένου. Ο κύριος στόχος είναι να σχεδιαστεί ένας δυναμικός μηχανισμός αφήγησης (στην αγγλική καθομιλουμένη, ένας dramamanager - DM) ικανός να προβλέπει και να δημιουργεί αφηγηματικές διαδρομές ευθυγραμμισμένες με τις προτιμήσεις των χρηστών. Αξιοποιώντας τεχνικές αναπαράστασης κειμένου, όπως Term Frequency-Inverse Document Frequency (TF-IDF) και Class Label Frequency Distance (CLFD), το σύστημα εκπαιδεύεται σε ένα σύνολο δεδομένων που περιλαμβάνει περιλήψεις βιβλίων και τα αντίστοιχα είδη τους.Η μελέτη μας αξιολογεί την αποτελεσματικότητα μεθόδων ταξινόμησης, όπως Logistic Regression, Support Vector Machines (SVM), Multi-Layer Perceptron (MLP), Random Forest, και Naive Bayes, στη βελτίωση της ικανότητας του DM να κατανοεί και να προβλέπει αφηγηματικά στοιχεία εντός συγκεκριμένων κεφαλαίων. Εξετάζεται επίσης η χρήση μεθόδων συσταδοποίησης για να διαπιστωθεί αν η ενσωμάτωση κεφαλαίων χωρίς ετικέτες θα παρέχει καλύτερα αποτελέσματα. Εξετάζοντας και τις δύο προσεγγίσεις, η έρευνά μας στόχευε στον εντοπισμότης πιο αποτελεσματικής στρατηγικής για τον DM να κατηγοριοποιεί και να δημιουργεί περιεχόμενο που να ανταποκρίνεται στις προτιμήσεις των χρηστών. Η αξιολόγηση αυτών των μεθόδων περιελάμβανε τόσο υπολογιστικά πειράματα, όσο και την αξιοποίηση πραγματικών χρηστών που αλληλεπίδρασαν με το σύστημα, επιλέγοντας διαδρομές στην ιστορία που καθορίστηκαν από τον DM βάσει των ταξινομικών του ικανοτήτων. Για το σκοπό αυτό, παρέχουμε ένα γραφικό περιβάλλον, όπου οι χρήστες μπορούν να διαβάσουν και να επιλέξουν τη δική τους διαδρομή.Συγκεκριμένα, τα πειραματικά αποτελέσματα για τις μεθόδους ταξινόμησης δείχνουν ότι η Λογιστική Παλινδρόμηση είναι η ταχύτερη και πιο αποτελεσματική μέθοδος για την ακριβή αναγνώριση κάθε ετικέτας διαδρομής. Δοκιμάσαμε τη θεωρία μας με δύο διαφορετικά σύνολα δεδομένων που περιλαμβάνουν περιλήψεις βιβλίων με διαφορετικό αριθμό εγγράφων, εξετάζοντας πώς διαφέρουν τα αποτελέσματα με τη χρήση μικρών ή μεγάλων συνόλων δεδομένων. Επιπλέον, δείχνουμε πειραματικά ότι η προσέγγιση CLFD είναι καλύτερη για την αναπαράσταση κειμένου για είδη που εμφανίζονται με πολλαπλές ετικέτες. Λάβαμε αξιολογήσεις χρηστών για τις συστάσεις διαδρομών του συστήματος και πώς το πρόγραμμα λειτουργεί συνολικά για αυτούς.Εν κατακλείδι, πιστεύουμε ότι η εργασία μας συμβάλλει στον τομέα της διαδραστικής αφήγησης παρέχοντας πληροφορίες σχετικά με την εφαρμογή προηγμένων τεχνικών αναπαράστασης κειμένου και μηχανικής μάθησης για την παραγωγή αφηγηματικών διαδρομών. Υπογραμμίζει τη σημασία της κατανόησης των προτιμήσεων των χρηστών και προσφέρει ένα πλαίσιο για την ανάπτυξη ευφυών DM ικανών να παρέχουν εξατομικευμένες αφηγηματικές διαδρομές.

Διαθέσιμα αρχεία

Υπηρεσίες