E-ticaret sektöründe derin öğrenme tabanlı duygu analizi: hiperparametre optimizasyonu ve performans karşılaştırması
Deep learning-based sentiment analysis in the E-commerce sector: hyperparameter optimization and performance comparison
- Tez No: 1005146
- Danışmanlar: PROF. DR. SERHAT ÖZEKES
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
E-ticaret platformlarında müşteri yorumlarının otomatik analizi, işletmelerin ürün ve hizmet kalitesini iyileştirmesi açısından önemli bir araçtır. Türkçe e-ticaret yorumlarında platformlar arası genelleme ve doğal/yapay yorum farklılıklarının model performansına etkisi, duygu analizi çalışmalarında dikkate alınması gereken bir araştırma alanı oluşturmaktadır. Bu çalışmada, e-ticaret platformlarından elde edilen kullanıcı yorumları üzerinde derin öğrenme tabanlı duygu analizi modellerinin performansı karşılaştırmalı olarak incelenmiş ve hiperparametre optimizasyonunun model başarımına etkisi iki farklı test yaklaşımı üzerinden değerlendirilmiştir. Araştırmada, iki e-ticaret platformundan (Oksid Bilişim, İncehesap.com) toplanan doğal müşteri yorumlarıyla oluşturulan toplam 18.290 Türkçe müşteri yorumu, beş duygu kategorisine (Memnun ve Mutlu, Heyecanlı ve Hevesli, Öfkeli ve Hayal Kırıklığına Uğramış, Gergin ve Endişeli, Sakin ve Tarafsız) manuel olarak etiketlenmiştir. Modellerin değerlendirilmesinde iki yöntem kullanılmıştır: (i) veri kümesi %70 eğitim, %15 doğrulama, %15 test olacak şekilde ayrılarak standart test seti üzerinde performans ölçümü, (ii) Oksid Bilişim, İncehesap.com ve Claude.ai üzerinden derlenen platform bazlı ek test setinde (platform başına 200 yorum) modellerin genellenebilirliğinin karşılaştırılması. Çalışmada GRU, LSTM, Transformer ve BERT-like mimarileri ile bu mimarilerin çeşitli varyasyonları, sistematik hiperparametre arama yaklaşımıyla değerlendirilmiştir. Bulgular, performans sıralamasının kullanılan test yöntemine göre değişebildiğini göstermiştir. Platform bazlı ek testte GRU Optimized modeli %85,33 ortalama test doğruluğu ile en yüksek performansı göstermiş; doğruluk değerlerinin platformlar arasında değişebildiği ve veri karakteristiğinin sonuçları etkilediği gözlemlenmiştir. Sınıf dengesizliği nedeniyle değerlendirmelerin doğruluk (accuracy) yanında macro-F1 gibi sınıf-duyarlı ölçütlerle birlikte ele alınması önem taşımaktadır. Ayrıca doğal kullanıcı yorumlarının yapay/sentetik yorumlara kıyasla daha yüksek doğrulukla sınıflandırılabildiği görülmüş; bu durumun kaynaklar arası dağılım kaymasının (distribution shift) sınıflandırma performansını etkilediği belirlenmiştir. Ensemble yaklaşımı (GRU + LSTM + BERT) ise artan karmaşıklığa rağmen tekil modellere karşı belirgin bir üstünlük sağlamamıştır.
Özet (Çeviri)
Hyperparameter Optimization and Performance Comparison Automated analysis of customer reviews on e-commerce platforms is an important tool for improving product and service quality. In Turkish e-commerce reviews, cross-platform generalization and differences between organic and synthetic reviews constitute a research area that should be considered in sentiment analysis studies. This study comparatively examines the performance of deep learning–based sentiment analysis models on user reviews obtained from e-commerce platforms and evaluates the effect of hyperparameter optimization on model performance using two different testing approaches. A total of 18,290 Turkish customer reviews collected as organic user comments from two e-commerce platforms (Oksid Bilişim and İncehesap.com) were manually labeled into five emotion categories (Satisfied and Happy, Excited and Enthusiastic, Angry and Disappointed, Tense and Anxious, Calm and Neutral). Two evaluation protocols were employed: (i) a standard split with 70% training, 15% validation, and 15% testing, and (ii) a platform-based additional test set compiled from Oksid Bilişim, İncehesap.com, and Claude.ai (200 reviews per platform) to compare model generalizability. GRU, LSTM, Transformer, and BERT-like architectures, along with various model variants, were assessed using a systematic hyperparameter search approach. The findings indicate that model performance rankings can vary depending on the evaluation protocol. In the platform-based additional test, the GRU Optimized model achieved the highest performance with an average test accuracy of 85.33%; however, accuracy values differed across platforms, suggesting that data source characteristics influence results. Given class imbalance, evaluations should be considered not only in terms of accuracy but also with class-sensitive metrics such as macro-F1. In addition, organic user reviews were classified with higher accuracy than synthetic reviews, indicating that distribution shift across sources affects classification performance. Finally, despite increased complexity, the ensemble approach (GRU + LSTM + BERT) did not provide a clear advantage over single models.
Benzer Tezler
- Türkçe E-ticaret yorumlarının çok etiketli analizi için derin öğrenme modellerinin uygulanması
Applying deep learning models for multi-label analysis of Turkish E-commerce comments
ABDULKADİR ŞEN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATMA ZEHRA SOLAK
- Makine öğrenmesi ve derin öğrenme yöntemleri ile E-ticaret sistemlerinde: ürün önerisi amaçlı en iyi model seçimi ve performans değerlendirmesi
Model selection and performance evaluation for product recommendation in E-commerce systems using machine learning and deep learning methods
CANSU ÇERİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERSİN ERSOY
- A deep learning based recommendation system design for banking customers using interaction data
Ardışıl veriler kullanılarak bankacılık müşterileri için derin öğrenme tabanlı tavsiye motoru tasarımı
HASAN AVCI
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEMAL OKAN ŞAKAR
- Dynamic data-driven optimization approach for flight selection problem
Uçuş seçimi problemi için dinamik veri odaklı optimizasyon yaklaşımı
ERDEM AKIN
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
PROF. DR. BAŞAR ÖZTAYŞİ
- Investigation of embedding methods on gnn basedrecommender models
Çizge sinir ağı temelli öneri sistemleriüzerinde kullanılan gömme tipinin etkisinin araştırılması
MUSTAFA AKER
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN