Geri Dön

Evaluation of deep learning algorithms in sentiment analysis

Duygu analizinde derin öğrenme algoritmalarının karşılaştırılması

  1. Tez No: 561293
  2. Yazar: SANİ KAMIŞ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ DIONYSIS GOULARAS
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Yeditepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 81

Özet

Derin öğrenme teknikleri son zamanlarda pek çok problemin çözümünde önemli bir rol oynamaya başladı. Convolutional Neural Networks (CNN) özellikle görüntü işleme uygulamalarında çok başarılı sonuçlar vermektedir. Recurrent Neural Networks (RNN) ise genelde Doğal Dil İşleme (NLP) uygulamalarında kullanılmaktadır. Duygu analizi son zamanlarda çok poüler bir araştırma alanı olmaya başladı, çünkü insanlar birbirlerinin düşüncelerini merak ediyorlar ve sosyala medyada özgürce düşüncelerini paylaşabiliyorlar. Literatürde, derin öğrenme tekniklerini tek başına veya birden fazla tekniği bir arada kullanan çalışmalar vardır. Bu çalışmada farklı öğrenme metotlarını karşılaştırılmaktadır. Karşılaştırdğımız modeller arasında CNN, Long Short-Term Memory Networks (LSTM), Support Vector Machines (SVM) ve bu modellerin farklı kombinasyonları yer almaktadır. Modellere ilaveten Word2Vec ve Global Vectors for Word Representation (GloVe) gibi kelime vektörleri de karşılaştırılmaktadır. Bu çalışmada dünya çapında en popüler doğal dil işleme organizasyonlarından birisi olan SemEval'ın sağladığı Twitter datası ile duygu analizi yapılmaktadır. Duygu analizi iki temel aşamadan oluşmaktadır. İlk aşamada GloVe veya word2vec ile kelimeler vektöre dönüştürülmektedir. İkinci aşama ise öğretmenli öğrenme aşamasıdır. Bu aşamada, CNN, LSTM, SVM ve kombinasyonları denenmekte ve sonuçları karşılaştırılmaktadır. Ek olarak farklı öğrenme tekniklerinin ayrı ayrı denenip sonuçlarının birleştirilmesi veya farklı öğrenme tekniklerinin daha organik bir yapıda bir arada kullanıldığı modeller de karşılaştırılmaktadır. Bütün kombinasyonların faklı ağırlık ve parametrelerle denenip en iyi sonucu verenler doğruluk yüzdesi (accuracy), kesinlik (precision), hassasiyet (recall) ve F-ölçütü (F-score) açısından karşılaştırılmaktadır.

Özet (Çeviri)

Deep Learning (DL) techniques have played an important role in the solution of a wide range of problems. Convolutional Neural Networks (CNN) are especially good at image processing tasks. Recurrent Neural Networks (RNN) are usually applied in Natural Language Processing (NLP) tasks. Sentiment analysis has been a popular area of research because people's opinions are important for each other and people have been sharing their opinions in social media freely. In the literature, there are studies that use simple deep learning techniques or their combinations in sentiment analysis. In this thesis, we evaluate different deep learning techniques. The learning models we compare are CNN, Long Short-Term Memory Networks (LSTM), and their ensembles and combinations. Moreover, we use Support Vector Machines (SVM) in a combination. In addition to these models, we compare different word embedding techniques such as Word2Vec and Global Vectors for Word Representation (GloVe) models. We focus on sentiment analysis from Twitter Data provided in Semantic Evaluation (SemEval), which is one of the most popular international workshops on semantic evaluation. Sentiment analysis work consists of two main steps. First phase is the creation of word embeddings, Word2Vec and GloVe models are compared in this step. Second phase is supervised training. Here, we apply CNN, LSTM, SVM, and their various combinations. Additionally, we have compared voting individual results of different learning techniques and their more organic combinations. All these combinations are tried with different weights and parameters, and best scoring values of each model is compared in terms of accuracy, precision, recall, and F-score.

Benzer Tezler

  1. A comparative study of classification algorithms for sentiment analysis of COVID-19 vaccine opinions using machine learning

    Makine öğrenmeyi kullanarak COVID-19 aşı görüşlerinin duyarlılık analizi için sınıflandırma algoritmalarının karşılaştırmalı bir çalışması

    DILBER S ZAINULABDEEN ZAINULABDEEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MESUT ÇEVİK

  2. Stock market prediction using machine learning models

    Makine öğrenmesi modellerini kullanarak hisse senedi öngörüsü

    ATAKAN SİTE

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZERRİN IŞIK

  3. Türkçe hedef tabanlı duygu analizi için alt görevlerin incelenmesi–hedef terim, hedef kategori ve duygu sınıfı belirleme

    Inspecting sub tasks of aspect based sentiment analysis in Turkish language–opinion target expression, aspect category and sentiment polarity detection

    FATİH SAMET ÇETİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. GÜLŞEN ERYİĞİT

  4. Predicting stock prices in bist: A reinforcement learning and sentimental analysis approach

    Pekiştirmeli derin öğrenme ve duyarlılık analizi yaklaşımı ile bıstteki hisselerin fiyatlarının tahmin edilmesi

    ŞEYMA EĞE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Büyük Veri ve Veri Analitiği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

  5. Derin öğrenme ve kelime gömme modelleri kullanarak parkinson hastalığının analizi

    Parkinson disease analysis with deep learning and word embedding models

    FEYZA ÇEVİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDoğuş Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZEYNEP HİLAL KİLİMCİ