Sosyal medya verilerinin makine ve derin öğrenme yöntemleriyle içerik ve duygu tahmini
Sentiment prediction of social media data with machine and deep learning
- Tez No: 988491
- Danışmanlar: DR. HAKAN BURAK EMEKLİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, sosyal medya verilerinin makine ve derin öğrenme yöntemleri kullanılarak içerik ve duygu tahmininin yapılması üzerine odaklanmaktadır. Sosyal medya platformları, bireylerin çevrimiçi ortamda düşüncelerini özgürce ifade etmelerine, bilgi ve deneyim paylaşmalarına olanak tanıyan geniş bir dijital alan sunmaktadır. X, Facebook, LinkedIn ve YouTube gibi popüler sosyal ağların yanı sıra bloglar, çevrimiçi sözlükler ve haber siteleri gibi farklı kaynaklardan sağlanan bu veri zenginliği, sosyal medya verilerini analiz etmek isteyen araştırmacılar ve işletmeler için kıymetli bir bilgi kaynağı oluşturmaktadır. Bu verilerin çeşitliliği ve hacmi, toplumsal eğilimlerin ve dinamiklerin anlaşılmasını sağlayarak kullanıcı etkileşimlerini, paylaşılan düşünceleri, yorumları ve duyguları analiz etme fırsatı sunmaktadır. Bu çalışmada, sosyal medya verileri üzerinde içerik ve duygu analizine yönelik makine ve derin öğrenme tabanlı yaklaşımlar ele alınmaktadır. İçerik tahmini, sosyal medya paylaşımlarının tür ve temalarına göre sınıflandırılmasını; duygu tahmini ise kullanıcıların paylaşımlarında ifade ettikleri olumlu, olumsuz veya nötr duyguların belirlenmesini kapsamaktadır. Çalışmanın ilk aşamasında, sosyal medya verilerinin toplandığı ve ön işleme adımlarının gerçekleştirildiği veri hazırlama süreci detaylandırılmaktadır. Bu süreçte, doğal dil işleme teknikleri ile veri temizleme, durak kelime çıkarımı, lemmatizasyon ve kelime gömme yöntemleri uygulanmaktadır. Daha sonra, içerik ve duygu tahmininde kullanılacak olan makine öğrenimi ve derin öğrenme modelleri eğitilmekte ve test edilmektedir. Bu modeller arasında lojistik regresyon, karar ağaçları, destek vektör makineleri gibi geleneksel makine öğrenimi algoritmalarının yanı sıra, derin öğrenme tabanlı LSTM, GRU ve BERT gibi modeller de değerlendirilmektedir. Modelin performansı doğruluk, kesinlik, geri çağırma ve F1 skoru gibi metriklerle ölçülerek kıyaslanmakta ve sosyal medya analizleri için en uygun model belirlenmektedir. Bu tez çalışması, sosyal medya verilerinin analiz edilmesiyle pazarlama, ticaret, sağlık ve siyaset gibi farklı alanlarda veri odaklı karar süreçlerine katkı sunmayı amaçlamaktadır. Sosyal medya kullanıcılarının duygu ve düşüncelerini anlamaya yönelik analizler, işletmelere müşteri memnuniyeti ve geri bildirimlerini değerlendirme, toplumsal eğilimleri öngörme ve hedef kitleye uygun stratejiler geliştirme gibi çeşitli faydalar sağlamaktadır. Böylece bu çalışma, sosyal medya verilerinin içerik ve duygu tahminine yönelik olarak makine ve derin öğrenme yöntemleriyle nasıl anlamlı bilgiye dönüştürülebileceğini ortaya koymaktadır. Çalışma kapsamında yalnızca Türkçe sosyal medya paylaşımları analiz edilmiş olup herhangi bir konu sınırlaması uygulanmamıştır. Bu sayede, farklı temalarda üretilen Türkçe içeriklerin genel kullanıcı eğilimlerini ve duygu dağılımlarını bütüncül biçimde değerlendirmek mümkün olmuştur.
Özet (Çeviri)
This thesis focuses on content and sentiment prediction of social media data using machine and deep learning methods. Social media platforms offer a vast digital space that allows individuals to freely express their thoughts online, share information, and exchange experiences. The richness of data sourced from popular social networks such as X, Facebook, LinkedIn, and YouTube, as well as blogs, online forums, and news sites, constitutes a valuable source of information for researchers and businesses looking to analyze social media data. The diversity and volume of this data provide opportunities to understand social trends and dynamics, enabling the analysis of user interactions, shared thoughts, comments, and sentiments. In this study, machine and deep learning-based approaches for content and sentiment analysis of social media data are explored. Content prediction involves classifying social media posts according to their types and themes, while sentiment prediction aims to determine the positive, negative, or neutral sentiments expressed in user posts. In the initial stage of the study, the data preparation process is detailed, during which social media data is collected and pre-processing steps are conducted. In this process, natural language processing techniques are applied, including data cleaning, stop word removal, lemmatization, and word embedding methods. Subsequently, machine learning and deep learning models are trained and tested for use in content and sentiment prediction. In addition to traditional machine learning algorithms such as logistic regression, decision trees, and support vector machines, deep learning models such as LSTM, GRU, and BERT are also evaluated. The model's performance is measured using metrics such as accuracy, precision, recall, and F1 score to identify the most suitable model for social media analysis. This thesis aims to contribute to data-driven decision-making processes in areas such as marketing, commerce, healthcare, and politics by analyzing social media data. Analysis of users' sentiments and opinions on social media provides businesses with various benefits, such as evaluating customer satisfaction and feedback, forecasting social trends, and developing strategies tailored to target audiences. Thus, this study demonstrates how social media data can be transformed into meaningful information through machine and deep learning methods for content and sentiment prediction. Within the scope of this study, only Turkish social media posts were analyzed, and no topic restrictions were applied. This approach allowed for a comprehensive evaluation of general user tendencies and sentiment distributions across Turkish content produced on various themes.
Benzer Tezler
- Detection of misinformation related to pandemic diseases using machine learning techniques on social media platforms
Sosyal medya platformlarındaki makine öğrenme tekniklerini kullanarak pandemi hastalıklarına ilişkin yanlış bilgilerin tespiti
JAVARIA NAEEM
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBüyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER MELİ̇H GÜL
- Yapay zekanın iş ilişkisine etkileri
Artificial intelligence and its impact on employment relations
YİĞİTCAN ÇANKAYA
- Machine learning of social media data on a spatio-temporal basis
Sosyal medya verilerinin zaman-mekansal temellere göre makine öğrenimi
BÜŞRA YEŞİLBAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TANKUT ACARMAN
- Processing health data on social media with deep learning methods
Sosyal medyada derin öğrenme yöntemleriyle sağlık verilerinin işlenmesi
İLKAN KUŞAKSIZ
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. REDA ALHAJJ
- Geleneksel tıp teşhis yöntemlerinin yapay zeka ile geliştirilen uygulamalarına duyulan güven ve tercih eğiliminin araştırılması
Investigation of trust and preference tendency in artificial intelligence-improved applications of traditional medical diagnostic methods
BAHADIR HÜSEYİN CEVİZCİ
Yüksek Lisans
Türkçe
2024
Antropolojiİstanbul Medipol ÜniversitesiGeleneksel ve Tamamlayıcı Tıp Ana Bilim Dalı
DOÇ. DR. ALİ TİMUÇİN ATAYOĞLU