Metin verilerinde bağlam temelli açıklanabilir duygu analizi için hibrit derin öğrenme modeli geliştirme
Development of a hybrid deep learning model for context-aware explainable sentiment analysis in textual data
- Tez No: 1019497
- Danışmanlar: DOÇ. DR. SERDAR BİROĞUL, DR. ÖĞR. ÜYESİ GÜNAY TEMÜR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Düzce Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Doğal dil işlemede konuşma duygu analizi, çok turlu diyaloglardaki karmaşık bağlamsal anlambilim ve zamansal bağımlılıklar nedeniyle önemli zorluklarla karşı karşıyadır. Bu tez kapsamında diyalog senaryolarında duygu sınıflandırma performansını artırmak için BERT'in bağlamsallaştırılmış gömülü temsillerini LSTM'nin sıralı işleme yetenekleriyle entegre eden yeni bir mimari (HybridBERT-LSTM) önerilmiştir. Önerilen mimari, yerel anlamsal özellikleri ve genel söylem bağımlılıklarını yakalamak için çift havuzlama mekanizması kullanmaktadır ve geleneksel yaklaşımların sınırlamalarını ele almaktadır. Literatürde karşılaştırma testi olarak kullanılan IMDb (Internet Movie Database) veri seti ve gerçek diyalog veri setleri üzerinde yapılan kapsamlı değerlendirme neticesinde HybridBERT-LSTM'nin doğruluk, hassasiyet, geri çağırma ve F1-skor metriklerinde diğer modellerden (Long Short-Term Memory (LSTM), Bidirectional encoder representations from transformers (BERT), Convolutional Neural Network (CNN), Support vector machine (SVM)) daha iyi performans gösterdiğini ortaya koymaktadır. Mimari, zamansal duygu modellemesi için çift yönlü LSTM katmanları aracılığıyla önceden eğitilmiş bağlamsal temsilleri etkili bir şekilde kullanmaktadır. Bağlam temelli mimarinin açıklanabilir hale getirilmesi için geleneksel açıklama yöntemlerinin sınırlamalarını ele alan grafik kuramsal bir yorumlanabilirlik çerçevesi olan WordContextGraphExplainer (Sözcüksel Bağlam Çizgesi Açıklayıcısı) geliştirilmiştir. LIME'ın (Local Interpretable Model-agnostic Explanations) özellikleri bağımsız olarak ele alan doğrusal toplamsallık varsayımlarının aksine, önerilen yaklaşım doğrusal olmayan anlamsal etkileşimleri modellemek için pertürbasyon tabanlı (bozulma/sapma) analiz kullanmaktadır. WordContextGraphExplainer, kelime katkılarını temsil eden düğümler ve kelimeler arası bağımlılıkları kodlayan kenarlarla anlamsal etkileşim grafikleri oluşturarak bağlamsal duygu yayılımlarını görselleştirmektedir. WordContextGraphExplainer, anlamsal karşılıklı bağımlılıkları, olumsuzlama kapsamını ve konuşma sıraları boyunca zamansal akışı açıkça modelleyerek, hem kelime düzeyindeki katkıların hem de bağlamsal etkileşim etkilerinin karar verme süreçleri üzerindeki etkilerinin anlaşılmasını sağlamaktadır. Böylece açıklanabilir diyalog duygu analizi için yeni bir yaklaşım oluşturarak, hem sınıflandırma performansını hem de kapsamlı açıklanabilirliği bir araya getiren güvenilir bir yapay zekâ yaklaşımının geliştirilmesine katkı sağlamaktadır.
Özet (Çeviri)
Conversational sentiment analysis poses substantial challenges in natural language processing due to the complex interplay of context-dependent semantics and temporal emotional dependencies inherent to multi-turn dialogue. This study proposes HybridBERT-LSTM, a deep learning architecture that integrates BERT's contextualized token representations with LSTM's sequential modeling capabilities to enhance emotion recognition in dialogue settings. The model employs a dual-pooling mechanism that simultaneously captures local semantic signals and global discourse-level dependencies, addressing limitations of conventional single-mechanism approaches. Extensive evaluation on the IMDb benchmark and real-world conversational datasets demonstrates that HybridBERT-LSTM consistently outperforms competing baselines including LSTM (Long Short-Term Memory), BERT (Bidirectional encoder representations from transformers), CNN (Convolutional Neural Network), and SVM (Support vector machine) across accuracy, precision, recall, and F1-score, with bidirectional LSTM layers enabling robust temporal emotion modeling over pre-trained contextual embeddings. To improve the interpretability of this context-sensitive architecture, the study further introduces WordContextGraphExplainer, a graph-theoretic explainability framework that overcomes the linear additivity assumptions of methods such as LIME by employing perturbation-based analysis to model non-linear semantic interactions. The framework constructs semantic interaction graphs where nodes represent word-level contributions and edges encode inter-token dependencies, enabling visualization of sentiment propagation across conversational context. By explicitly modeling semantic co-dependencies, negation scope, and temporal emotional flow across dialogue turns, WordContextGraphExplainer provides a comprehensive account of prediction-influencing factors at both lexical and contextual levels, establishing a principled paradigm for interpretable dialogue sentiment analysis and advancing trustworthy AI through the coupling of high-performance classification with graph-structured explainability.
Benzer Tezler
- Bazı esterlerin kinetik incelenmesi ve termodinamik parametrelerin belirlenmesi
Kinetic study and detesmination of thermodnamic parameters of some esters
İBRAHİM TAŞ
- Ege bölgesi keçi liflerinin bazı önemli fiziksel, kimyasal özellikleri ve değerlendirme imkanları
Başlık çevirisi yok
NİLÜFER ERDEM
- Manisa yöresinde domateste anlaşmalı tarım ve karşılaşılan sorunlar
Başlık çevirisi yok
OSMAN MURAT KOÇTÜRK
- Buğday mutant populasyonlarında çeşitli tarımsal özellikler arasındaki ilişkiler
Başlık çevirisi yok
M. İLHAN ÇAĞIRGAN
