Derin öğrenme tabanlı ve transformer tabanlı dil modelleri ile e-ticaret yorumlarının sınıflandırılması
E-commerce reviews classification with deep learning-based and transformer-based language models
- Tez No: 997231
- Danışmanlar: DOÇ. DR. ALİ ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kto Karatay Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Teknolojinin hızlı gelişimiyle birlikte e-ticaret sektörü önemli ölçüde büyümüş ve kullanıcı yorumları, tüketicilerin satın alma kararlarını etkileyen kritik bir unsur hâline gelmiştir. Bu nedenle, e-ticaret platformlarında yer alan kullanıcı yorumlarının sınıflandırılması, müşteri memnuniyetinin artırılması ve öneri sistemlerinin doğruluğunun geliştirilmesi açısından büyük önem taşımaktadır. Bu çalışmada, e-ticaret yorumlarını sınıflandırmak amacıyla derin öğrenme tabanlı ve transformer tabanlı dil modelleri eğitilmiş ve karşılaştırılmıştır. Kullanılan modeller arasında BERT, DistilBERT, RoBERTa, GPT-2 tabanlı Transformer, LSTM ve Conv1D yer almaktadır. Modellerin performansları Doğruluk, Kesinlik, Duyarlılık ve F1-skoru ölçütleri kullanılarak değerlendirilmiştir. Deneysel sonuçlara göre, DistilBERT modeli %98,29 doğruluk, kesinlik, duyarlılık ve F1-skoru ile en yüksek genel performansı elde ederek diğer tüm modelleri geride bırakmıştır. BERT modeli ise %98,13 değerleriyle DistilBERT'e oldukça yakın bir performans sergilemiştir. Buna karşılık, RoBERTa modeli %97,71 doğruluk, duyarlılık ve F1-skoru ile %97,72 kesinlik değerleriyle nispeten daha düşük sonuçlar üretmiştir. Geleneksel derin öğrenme mimarileri arasında Conv1D modeli %97,50 doğruluk, %98,58 kesinlik, %97,04 duyarlılık ve %97,80 F1-skoru elde ederek, %96,45 doğruluk ve %97,02 F1-skoru üreten LSTM modelinden daha iyi bir performans göstermiştir. Transformer tabanlı mimari ise %96,32 doğruluk, %98,37 kesinlik, %97,74 duyarlılık ve %98,06 F1-skoru ile rekabetçi sonuçlar üretmiş, ancak BERT tabanlı modellerin gerisinde kalmıştır. Genel olarak elde edilen bulgular, önceden eğitilmiş transformer tabanlı dil modellerinin e-ticaret yorumlarının sınıflandırılmasında geleneksel derin öğrenme yaklaşımlarına kıyasla daha yüksek doğruluk ve daha iyi genelleme yeteneği sunduğunu göstermektedir. Bu modeller arasında DistilBERT, yüksek performansı hesaplama verimliliği ile birleştirerek en etkili model olarak öne çıkmaktadır.
Özet (Çeviri)
With the rapid advancement of technology, the e-commerce sector has grown significantly, and user-generated reviews have become a key factor influencing consumers' purchasing decisions. Therefore, the automatic classification of user reviews on e-commerce platforms has become essential for improving customer satisfaction and enhancing the effectiveness of recommendation systems. In this study, several deep learning–based and transformer-based language models were trained and compared for e-commerce review classification. The evaluated models include BERT, DistilBERT, RoBERTa, a GPT-2–based Transformer, LSTM, and Conv1D architectures. Model performance was evaluated using Accuracy, Precision, Recall, and F1-score metrics. The experimental results indicate that the DistilBERT model achieved the highest overall performance, obtaining 98.29% accuracy, precision, recall, and F1-score, thereby outperforming all other models. The BERT model demonstrated comparable performance, achieving 98.13% across all evaluation metrics. In comparison, the RoBERTa model produced slightly lower results, with 97.71% accuracy, recall, and F1-score, and 97.72% precision. Among traditional deep learning architectures, the Conv1D model achieved strong performance with 97.50% accuracy, 98.58% precision, 97.04% recall, and a 97.80% F1-score, surpassing the LSTM model, which reached 96.45% accuracy, 98.40% precision, 95.68% recall, and a 97.02% F1-score. The GPT-2–based Transformer model also performed competitively, achieving 96.32% accuracy, 98.37% precision, 97.74% recall, and a 98.06% F1-score, although it slightly lagged behind the BERT-based models. Overall, the results demonstrate that pretrained transformer-based language models outperform traditional deep learning approaches in e-commerce review classification. In particular, DistilBERT stands out as the most effective and efficient model, offering high classification accuracy with reduced computational complexity.
Benzer Tezler
- Türkçe E-ticaret yorumlarının çok etiketli analizi için derin öğrenme modellerinin uygulanması
Applying deep learning models for multi-label analysis of Turkish E-commerce comments
ABDULKADİR ŞEN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATMA ZEHRA SOLAK
- Arapça, Türkçe ve İngilizce dillerindeki e-ticaret verilerinden duygu analizi ile müşteri memnuniyet tespiti
Prediction of customers' interests with sentiment analysis from e-commerce data in Arabic,Turkish and English
PINAR SAVCI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİHTER DAŞ
- Derin öğrenme yöntemleriyle şarkı sözü üretimi
Lyrics generation using deep learning methods
MUHAMMED EMİNOĞLU
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT KÖKLÜ
- Vision-based detection and recognition of maritime objects for autonomous surface navigation
Otonom deniz seyrüseferi için görüntü tabanlı engel tespiti ve gemi sınıflandırma
SEVDA SAYAN YONCA
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Automotive radar interference mitigation with next generation sequence models
Yeni nesil dizi modelleri ile otomotiv radarlarında girişim giderme
ELİF ÖZTÜRK KOÇ
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER