Derin öğrenme modelleri ile sosyal medya üzerinde duygu analizi
Sentiment analysis on social media using deep learning models
- Tez No: 860415
- Danışmanlar: PROF. DR. YAŞAR BECERİKLİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
Duygu analizi, metinlerdeki duyguları belirleyen doğal dil işleme teknolojilerinin bir uygulamasıdır. Hizmet kalitesinin değerlendirilmesi için müşteri memnuniyetinin ölçülmesi, müşterilerin ürün tanıtımına nasıl tepki verdiklerinin saptanması, halkın seçim kampanyalarına nasıl tepki verdiğinin belirlenmesi gibi birçok konuda ihtiyaç duyulduğu için önemlidir. Sosyal medyanın giderek yaygınlaşması, finanstan tıbba, medyadan e-ticarete, eğitimden siyasete kadar pek çok alanda kullanımını beraberinde getirmiştir. Tez çalışması kapsamında, Türkçe metinler üzerinde, BERT (Bidirectional Encoder Representations from Transformers, Dönüştürücülerden Çift Yönlü Kodlayıcı Temsilleri), LSTM (Long Short-Term Memory, Uzun-Kısa Vadeli Bellek) ve ConNN (Convolutional Neural Networks, Evrişimli Sinir Ağı)-LSTM Hibrit modelleri ile duygu analizi yapılarak modellerin performansları karşılaştırılmıştır. Mutlu, kızgın, korku, şaşkın ve üzgün ile olumlu, olumsuz ve tarafsız olarak etiketli iki ayrı veri kümesi Kaggle aracılığıyla elde edilmiştir. ConNN -LSTM Hibrit modelinde, metin verilerini sayısal vektörlere dönüştürmek için bir gömme, verilerin analizi ile özellik çıkarma için konvolüsyon ve havuzlama, zaman bağımlılıklarını modellemek için LSTM son olarak sınıflandırma ve çıkış katmanı olan yoğun katmanı yer almaktadır. LSTM modelinde ise gömme, LSTM ve yoğun katmanı kullanılmıştır. BERT modelinde önceden eğitilmiş bir dil modeli kullanılarak metinlerin dizi vektörlerine dönüştürülmesini ve dil özelliklerini öğrenmesini sağlayan kodlayıcı ve bu vektörleri kullanarak metinlerin eğitilmesini sağlayan çözücü kullanılmıştır. Üç model veri setleri üzerinde eğitilmiş ve uygun optimizasyon algoritması, kayıp fonksiyonu ile doğruluk metriği kullanılmıştır. Eğitim ve test verilerinin beklenen sonuçlarla kıyaslanması ile modellerin performanslarına ulaşılmış ve performansların karşılaştırılması yapılmıştır. Bu tez çalışması, Türkçe veri kümesi üzerinde gerçekleştirilen duygu analiziyle farklı öğrenme modellerinin performanslarının karşılaştırılması sayesinde duygu analizi alanına önemli ölçüde katkı sağlamıştır.
Özet (Çeviri)
Sentiment analysis is a technique of natural language processing that identifies emotions in texts. It is important because with the widespread use of social media, its use in many areas such as finance, medicine, e-commerce media, education and politics. Within the scope of this thesis, sentiment analysis was performed on Turkish texts using BERT (Bidirectional Encoder Representations from Transformers), LSTM (Long Short-Term Memory) and ConNN (Convolutional Neural Networks)-LSTM Hybrid models and the performances of the models were compared. Two separate datasets labeled as happy, angry, fearful, confused, sad and positive, negative, neutral were obtained through Kaggle. In the ConNN -LSTM model, there is an embedding to convert text into digital vectors, convolution and pooling for feature extraction by analyzing the data, LSTM to model time dependencies, the dense layer for classification and output. LSTM model, the embedding, LSTM and dense layer are used. The BERT model uses a pre-trained language model, an encoder to convert texts into sequence vectors and learn language features, and a decoder to train texts. The three models were trained on the datasets and the appropriate optimization algorithm, loss function and accuracy metric were used. The performances of the models were obtained by comparing the training and test data with the expected results and the were compared. This thesis has made a significant contribution to the field of sentiment analysis by This thesis has significantly contributed to the field of this by comparing the performance of different learning models on Turkish datasets.
Benzer Tezler
- Türkçe doğal dil işleme ve derin öğrenme yöntemleri kullanarak sosyal medyada halk sağlığı takibi
Public health monitoring on social media using Turkish natural language processing and deep learning methods
DOĞAN KÜÇÜK
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NURSAL ARICI
- Sentiment analysis of social network data using machine learning
Sosyal ağ verileri kullanarak makine görüş analizi öğrenme
ALI ABAS ALO ALBABAWAT
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GALİP AYDIN
- Twıtter üzerinden müşteri duygularının analiz edilerektürkiye'deki telekom operatörleri ile ilgili müşterimemnuniyetinin değerlendirilmesi
Evaluation of customer satisfaction about telecom operators in turkey by analyzing sentiments of customer through twitter
DOĞUKAN KÜNDÜM
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDoğuş ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MİTAT UYSAL
DR. ÖĞR. ÜYESİ ZEYNEP HİLAL KİLİMCİ
- Text analytics in stock market price prediction
Borsa tahminlemede metin analitiği
EMRE KARAŞAHİN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEMİH UTKU
DR. ÖĞR. ÜYESİ OKAN ÖZTÜRKMENOĞLU
- Sosyal Ağlarda Duygu Analizi için Hibrit Bir Yöntem Geliştirilmesi
Development of a Hybrid Method for Sentiment Analysis in Social Networks
MUHAMMET SİNAN BAŞARSLAN
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH KAYAALP