{"id":{"repo_id":"ghent","oai_identifier":"oai:archive.ugent.be:01HASCSQM7A87EAV5520AT55SE"},"canonical_url":"https://search.dev.ndltd.org/etd/ghent/oai:archive.ugent.be:01HASCSQM7A87EAV5520AT55SE","repository":{"repo_id":"ghent","name":"Ghent University","base_url":"https://biblio.ugent.be/oai"},"display":{"title":"Fuzzy rough set methods for emotion detection and sentiment analysis","abstract":"In dit proefschrift gebruiken we fuzzy rough set-methoden voor taken op het gebied van natuurlijke taalverwerking zoals emotiedetectie en sentimentanalyse. In het bijzonder werken we met ordinale multiclassificatie voor het categoriseren van emotie-intensiteit; binaire classificatie voor het detecteren van aanstootgevende taal, het aanzetten tot haat, ironie en sarcasme; en aspectgebaseerde sentimentanalyse (ABSA) voor gebruikersrecensies. Als predictiemodellen gebruiken we de volgende instantiegebaseerde methoden: gewogen kNN, fuzzy-rough nearest neighbour (FRNN) classificatie en regressie, en fuzzy rough one-versus-one combination (FROVOCO). We gebruiken verschillende woordinbeddingstechnieken voor elk model om tekst om te zetten in vectorvorm, en we verbeteren de prestaties van onze modellen door middel van parameter tuning, betrouwbaarheidsscores en ensembles. Voor alle emotiedetectietaken laten we zien dat eenvoudige, op naaste buren gebaseerde benaderingen vergelijkbare resultaten opleveren als geavanceerde deep learning-methoden. Voor de ABSA-taak stellen we drie pijplijnen voor met FRNN-gebaseerde methoden die een hoge nauwkeurigheid opleveren voor alle drie de stappen: aspect-, sentiment- en emotieclassificatie. Een ander belangrijk kenmerk van onze aanpak is haar uitlegbaarheid. We kunnen onze aanpak typeren als een lokale, zelfverklarende en voorbeeldgestuurde methode. We laten door foutanalyse zien dat onze methoden bruikbare patronen uit de gegevens kunnen halen die kunnen worden gebruikt om toekomstige modellen bij te werken.","abstract_html":"In dit proefschrift gebruiken we fuzzy rough set-methoden voor taken op het gebied van natuurlijke taalverwerking zoals emotiedetectie en sentimentanalyse. In het bijzonder werken we met ordinale multiclassificatie voor het categoriseren van emotie-intensiteit; binaire classificatie voor het detecteren van aanstootgevende taal, het aanzetten tot haat, ironie en sarcasme; en aspectgebaseerde sentimentanalyse (ABSA) voor gebruikersrecensies. Als predictiemodellen gebruiken we de volgende instantiegebaseerde methoden: gewogen kNN, fuzzy-rough nearest neighbour (FRNN) classificatie en regressie, en fuzzy rough one-versus-one combination (FROVOCO). We gebruiken verschillende woordinbeddingstechnieken voor elk model om tekst om te zetten in vectorvorm, en we verbeteren de prestaties van onze modellen door middel van parameter tuning, betrouwbaarheidsscores en ensembles. Voor alle emotiedetectietaken laten we zien dat eenvoudige, op naaste buren gebaseerde benaderingen vergelijkbare resultaten opleveren als geavanceerde deep learning-methoden. Voor de ABSA-taak stellen we drie pijplijnen voor met FRNN-gebaseerde methoden die een hoge nauwkeurigheid opleveren voor alle drie de stappen: aspect-, sentiment- en emotieclassificatie. Een ander belangrijk kenmerk van onze aanpak is haar uitlegbaarheid. We kunnen onze aanpak typeren als een lokale, zelfverklarende en voorbeeldgestuurde methode. We laten door foutanalyse zien dat onze methoden bruikbare patronen uit de gegevens kunnen halen die kunnen worden gebruikt om toekomstige modellen bij te werken.","abstract_has_math":false,"creators":["Kaminska, Olha"],"institution":"Ghent University. Faculty of Sciences","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":["Cornelis, Chris","Hoste, Veronique"],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-07-24T02:23:00Z","subjects":["Mathematics and Statistics"],"languages":["eng"],"rights":["info:eu-repo/semantics/openAccess"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["https://biblio.ugent.be/publication/01HASCSQM7A87EAV5520AT55SE","https://biblio.ugent.be/publication/01HASCSQM7A87EAV5520AT55SE/file/01HASD0N8H73CKQHH9QEGEXX72"],"render_values":[{"text":"https://biblio.ugent.be/publication/01HASCSQM7A87EAV5520AT55SE","href":"https://biblio.ugent.be/publication/01HASCSQM7A87EAV5520AT55SE","code":true},{"text":"https://biblio.ugent.be/publication/01HASCSQM7A87EAV5520AT55SE/file/01HASD0N8H73CKQHH9QEGEXX72","href":"https://biblio.ugent.be/publication/01HASCSQM7A87EAV5520AT55SE/file/01HASD0N8H73CKQHH9QEGEXX72","code":true}]}]},"links":{"outbound_url":"http://hdl.handle.net/1854/LU-01HASCSQM7A87EAV5520AT55SE","outbound_label":"Handle","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor","label":"Contributor","values":["Cornelis, Chris","Hoste, Veronique"]},{"key":"dc:creator","label":"Author","values":["Kaminska, Olha"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:publisher","label":"Institution","values":["Ghent University. Faculty of Sciences"]},{"key":"dc:type","label":"Dc Type","values":["dissertation","info:eu-repo/semantics/doctoralThesis","info:eu-repo/semantics/publishedVersion"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Mathematics and Statistics"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["eng"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["https://biblio.ugent.be/publication/01HASCSQM7A87EAV5520AT55SE","http://hdl.handle.net/1854/LU-01HASCSQM7A87EAV5520AT55SE","https://biblio.ugent.be/publication/01HASCSQM7A87EAV5520AT55SE/file/01HASD0N8H73CKQHH9QEGEXX72"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["In dit proefschrift gebruiken we fuzzy rough set-methoden voor taken op het gebied van natuurlijke taalverwerking zoals emotiedetectie en sentimentanalyse. In het bijzonder werken we met ordinale multiclassificatie voor het categoriseren van emotie-intensiteit; binaire classificatie voor het detecteren van aanstootgevende taal, het aanzetten tot haat, ironie en sarcasme; en aspectgebaseerde sentimentanalyse (ABSA) voor gebruikersrecensies. Als predictiemodellen gebruiken we de volgende instantiegebaseerde methoden: gewogen kNN, fuzzy-rough nearest neighbour (FRNN) classificatie en regressie, en fuzzy rough one-versus-one combination (FROVOCO). We gebruiken verschillende woordinbeddingstechnieken voor elk model om tekst om te zetten in vectorvorm, en we verbeteren de prestaties van onze modellen door middel van parameter tuning, betrouwbaarheidsscores en ensembles. Voor alle emotiedetectietaken laten we zien dat eenvoudige, op naaste buren gebaseerde benaderingen vergelijkbare resultaten opleveren als geavanceerde deep learning-methoden. Voor de ABSA-taak stellen we drie pijplijnen voor met FRNN-gebaseerde methoden die een hoge nauwkeurigheid opleveren voor alle drie de stappen: aspect-, sentiment- en emotieclassificatie. Een ander belangrijk kenmerk van onze aanpak is haar uitlegbaarheid. We kunnen onze aanpak typeren als een lokale, zelfverklarende en voorbeeldgestuurde methode. We laten door foutanalyse zien dat onze methoden bruikbare patronen uit de gegevens kunnen halen die kunnen worden gebruikt om toekomstige modellen bij te werken."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Fuzzy rough set methods for emotion detection and sentiment analysis"]}]}],"canonical_facts":{"dc:contributor":["Cornelis, Chris","Hoste, Veronique"],"dc:creator":["Kaminska, Olha"],"dc:date":["2023"],"dc:description":["In dit proefschrift gebruiken we fuzzy rough set-methoden voor taken op het gebied van natuurlijke taalverwerking zoals emotiedetectie en sentimentanalyse. In het bijzonder werken we met ordinale multiclassificatie voor het categoriseren van emotie-intensiteit; binaire classificatie voor het detecteren van aanstootgevende taal, het aanzetten tot haat, ironie en sarcasme; en aspectgebaseerde sentimentanalyse (ABSA) voor gebruikersrecensies. Als predictiemodellen gebruiken we de volgende instantiegebaseerde methoden: gewogen kNN, fuzzy-rough nearest neighbour (FRNN) classificatie en regressie, en fuzzy rough one-versus-one combination (FROVOCO). We gebruiken verschillende woordinbeddingstechnieken voor elk model om tekst om te zetten in vectorvorm, en we verbeteren de prestaties van onze modellen door middel van parameter tuning, betrouwbaarheidsscores en ensembles. Voor alle emotiedetectietaken laten we zien dat eenvoudige, op naaste buren gebaseerde benaderingen vergelijkbare resultaten opleveren als geavanceerde deep learning-methoden. Voor de ABSA-taak stellen we drie pijplijnen voor met FRNN-gebaseerde methoden die een hoge nauwkeurigheid opleveren voor alle drie de stappen: aspect-, sentiment- en emotieclassificatie. Een ander belangrijk kenmerk van onze aanpak is haar uitlegbaarheid. We kunnen onze aanpak typeren als een lokale, zelfverklarende en voorbeeldgestuurde methode. We laten door foutanalyse zien dat onze methoden bruikbare patronen uit de gegevens kunnen halen die kunnen worden gebruikt om toekomstige modellen bij te werken."],"dc:format":["application/pdf"],"dc:identifier":["https://biblio.ugent.be/publication/01HASCSQM7A87EAV5520AT55SE","http://hdl.handle.net/1854/LU-01HASCSQM7A87EAV5520AT55SE","https://biblio.ugent.be/publication/01HASCSQM7A87EAV5520AT55SE/file/01HASD0N8H73CKQHH9QEGEXX72"],"dc:language":["eng"],"dc:publisher":["Ghent University. Faculty of Sciences"],"dc:rights":["info:eu-repo/semantics/openAccess"],"dc:subject":["Mathematics and Statistics"],"dc:title":["Fuzzy rough set methods for emotion detection and sentiment analysis"],"dc:type":["dissertation","info:eu-repo/semantics/doctoralThesis","info:eu-repo/semantics/publishedVersion"]},"updated_at":"2026-07-24T02:23:00Z"}