Social media sentiment analysis using artificial intelligence based on machine learning and deep learning models
Makine öğrenmesi ve derin öğrenme modellerine dayalı yapay zekâ kullanılarak sosyal medya duygu analizi
- Tez No: 983235
- Danışmanlar: DR. ÖĞR. ÜYESİ DİDEM KIVANÇ TÜRELİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Yapay Zeka, Derin Öğrenme (DL), Duygu Analizi, Sosyal Medya Verileri, Makine Öğrenmesi (ML), Doğal Dil İşleme (NLP), Özellik Çıkarımı, Metin sınıflandırması, Yapay Zeka Endeksi, Artificial Intelligence, Deep Learning (DL), Sentiment Analysis, Social Media Data, Machine Learning (ML), Natural Language Processing (NLP), Feature Extraction, Text classification, Artificial Intelligence Index
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Okan Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Modern dünya, milyonlarca kullanıcının günlük olarak bağlantı kurmasını ve çeşitli konularda çeşitli görüşler paylaşmasını sağlayan temel iletişim araçları olarak sosyal ağlara güvenmektedir. Twitter, dünya çapında geniş bir kullanıcı kitlesini destekleyen önde gelen bir mikroblog platformu olarak durmaktadır. Twitter, çeşitli bakış açılarının yanı sıra çeşitli içeriklere ev sahipliği yaptığı için duygu analizi için önemli bir kaynak görevi görmektedir. Araştırma, olumlu ve olumsuz kategoriler arasındaki kullanıcı duygularını belirlemek için Twitter verileri için duygu analizi yöntemlerini araştırmaktadır. Araştırma, farklı sınıflandırma modellerini eğitmek ve değerlendirmek için 180.000'den fazla etiketli tweet içeren bir kıyaslama veri kümesi kullanmıştır. Uygulanan geleneksel makine öğrenimi algoritmaları arasında Rastgele Orman (RF), Lojistik Regresyon (LR), Karar Ağacı (DT), Naive Bayes (NB), K-En Yakın Komşular (KNN) ve Stokastik Gradyan İnişi (SGD) bulunur. Ek olarak, Evrişimli Sinir Ağı-Uzun Kısa Süreli Bellek (CNN-LSTM) mimarisini birleştiren gelişmiş bir derin öğrenme modeli. Bu modellerin performansını değerlendirmek için Doğruluk, Kesinlik, Geri Çağırma ve F1 Puanı gibi standart değerlendirme ölçütleri kullanılmıştır. Duygu sınıflandırması için en iyi modeli belirlemek amacıyla bu metrikler aracılığıyla derin öğrenme yaklaşımları ve makine öğrenme yöntemleri arasında kapsamlı bir değerlendirme yapıldı. CNN-LSTM modeli, Twitter verilerinden karmaşık desenleri çıkarmada olağanüstü bir performans gösterdi; bu da xvi sosyal medya görüş madenciliği bilgimizi ilerletmemize ve daha iyi duygu sınıflandırma sistemleri oluşturmamıza yardımcı oldu.
Özet (Çeviri)
The modern world relies on social networks as fundamental communication tools which allow millions of users to connect daily while sharing diverse opinions about various subjects. Twitter stands as a prominent microblogging platform which supports an extensive worldwide user population. Twitter serves as an essential resource for sentiment analysis because it hosts diverse content alongside various perspectives. The research explores sentiment analysis methods for Twitter data to determine user emotions between positive and negative categories. The research used a benchmark dataset containing more than 180,000 labeled tweets to train and evaluate different classification models. Traditional machine learning algorithms implemented include Random Forest (RF), Logistic Regression (LR), Decision Tree (DT), Naive Bayes (NB), K-Nearest Neighbors (KNN), and Stochastic Gradient Descent (SGD). Additionally, an advanced deep learning model has been implemented that combined a Convolutional Neural Network–Long Short-Term Memory (CNN-LSTM) architecture. Standard evaluation metrics such as Accuracy, Precision, Recall, and F1- Score were used to assess the performance of these models. A thorough evaluation between deep learning approaches and machine learning methods was performed through these metrics to determine the best model for sentiment classification. The CNN-LSTM model demonstrated exceptional performance in extracting intricate xiv patterns from Twitter data, which advanced our knowledge of social media opinion mining and helped create better sentiment classification systems.
Benzer Tezler
- Sosyal medyanın finansal piyasalara etkisi ve hisse senedi fiyat öngörülerinde kullanılması: Borsa İstanbul örneği
The impact of social media on financial markets and using stock price prediction: Case of Borsa İstanbul
YUNUS EMRE AKDOĞAN
- 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
- Sosyal mühendislikte komplo tabanlı içeriklerin yapay zekâ ile analizi
Analysis of conspiracy-based content in social engineering with artificial intelligence
EMEL KOÇYİĞİT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH ÇALLI
- Twitter'daki (X) havayolu şirket verilerinden makine öğrenmesi ve derin öğrenme yöntemleri ile duygu analizi gerçekleştirilmesi
Performing sentiment analysis using machine learning and deep learning methods on airline company data on twitter (X)
ÖMER AYBERK ŞENCAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL ATACAK
- Doğal dil işleme ile Türkçe içerikli paylaşımlardan sosyal medya kullanıcılarının duygu analizi
Sentiment analysis of social medial users from Turkish content with natural language processing
ÇAĞLA BALLI
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET SERDAR GÜZEL