En los últimos años, las personas han expresado sus opiniones y sentimientos sobre productos, servicios y otros temas en plataformas de redes sociales y sitios web de reseñas. Estos sentimientos suelen clasificarse como positivos o negativos en función de su contenido textual. El interés de investigación en el análisis de sentimientos para reseñas de texto escritas en griego es limitado en comparación con el inglés. Los estudios existentes realizados para el idioma griego se han centrado más en publicaciones recopiladas de plataformas de redes sociales que en reseñas de consumidores de sitios web de comercio electrónico y han utilizado principalmente métodos tradicionales de aprendizaje automático (ML), con poco o ningún trabajo utilizando métodos avanzados como redes neuronales artificiales, aprendizaje por transferencia y modelos de lenguaje grandes. Este estudio aborda esta brecha probando la hipótesis de que los métodos modernos para la clasificación de sentimientos, incluidas las redes neuronales artificiales (ANN), el aprendizaje por transferencia (TL) y los modelos de lenguaje grandes (LLM), funcionan mejor que los modelos tradicionales de ML en el análisis de un conjunto de datos de reseñas de consumidores griegos. Varios métodos de clasificación, a saber, ML, ANN, TL y LLM, fueron evaluados y comparados utilizando métricas de rendimiento en una gran colección de reseñas de productos griegos. Los hallazgos empíricos mostraron que los modelos GreekBERT y GPT-4 funcionan significativamente mejor que los clasificadores ML tradicionales, con BERT logrando una precisión del 96% y GPT-4 alcanzando el 95%, mientras que las ANN mostraron un rendimiento similar a los modelos ML. Este estudio confirma la hipótesis, con el modelo BERT logrando la mayor precisión de clasificación.