Derin öğrenme yöntemi ile metinsel ifadelerde duygu analizi
| dc.authorid | 0009-0002-5787-9688 | |
| dc.contributor.advisor | Kaya, Yılmaz | |
| dc.contributor.author | Yıldız, Nuray | |
| dc.date.accessioned | 2024-10-22T05:35:28Z | |
| dc.date.available | 2024-10-22T05:35:28Z | |
| dc.date.issued | 2024-08-18 | |
| dc.department | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü Bilgi Teknolojileri Anabilim Dalı | |
| dc.description.abstract | Bu çalışmada, Türkçe metinlerde kullanıcı yorumlarının duygu analizini gerçekleştirmek amacıyla makine öğrenmesi ve derin öğrenme yöntemlerinin etkinliği incelenmiştir. Beyaz eşya ürünlerine ait kullanıcı yorumları, Trendyol ve Hepsiburada gibi popüler e-ticaret platformlarından toplanmış ve analiz edilmiştir. Kelime bulutu yöntemi kullanılarak, yorumlardaki en sık geçen kelimeler görselleştirilmiştir. Olumlu yorumlarda "yüksek performans", "iyi fiyat", "memnun kaldım", "kurulumu kolay" gibi ifadeler öne çıkarken, olumsuz yorumlarda "gecikme", "kötü koku", "kalite kontrol eksikliği", "servis problemi" gibi ifadeler dikkat çekmiştir. Bu analizler, kullanıcıların genel memnuniyet düzeylerini ve karşılaştıkları sorunları görselleştirerek, işletmelere ürün ve hizmetlerini iyileştirmeleri konusunda içgörüler sunmaktadır. Makine öğrenmesi yöntemleri arasında SVM, KNN ve Naive Bayes (NB) algoritmaları kullanılarak sınıflandırma işlemleri gerçekleştirilmiştir. %80-20 eğitim-test oranları ile NB modeli %94.02 başarı oranı ile en yüksek performansı sergilemiştir. SVM modeli %93.42, KNN modeli ise %86.75 başarı oranı elde etmiştir. NB modeli, kesinlik, hatırlama ve F1 ölçütlerinde de yüksek performans göstermiştir. Derin öğrenme yöntemleri olarak LSTM ve 1D-CNN kullanılmış ve farklı eğitim-test oranları ile başarı oranları incelenmiştir. LSTM modeli %92.42, 1D-CNN modeli ise %91.42 başarı oranı ile iyi performanslar sergilemiştir. Sonuç olarak, Naive Bayes modeli en yüksek başarı oranını elde ederek diğer modellere kıyasla en iyi performansı göstermiştir. Derin öğrenme yöntemlerinden LSTM ve 1D-CNN de yüksek başarı oranları ile dikkate değer performanslar sunmuştur. Bu çalışma, e-ticaret sektöründe kullanıcı yorumlarının duygu analizinde makine öğrenmesi ve derin öğrenme yöntemlerinin etkili olduğunu ortaya koymaktadır. Bu tür analizler, işletmelere müşteri geri bildirimlerini daha iyi değerlendirme ve müşteri memnuniyetini artırma konusunda önemli avantajlar sağlayabilir. | |
| dc.description.abstract | In this study, the effectiveness of machine learning and deep learning methods for sentiment analysis in Turkish texts has been investigated. User comments on white goods products were collected from popular e-commerce platforms such as Trendyol and Hepsiburada and analyzed. Using the word cloud method, the most frequently occurring words in the comments were visualized. Positive comments highlighted expressions like "high performance," "good price," "satisfied," and "easy installation," while negative comments included phrases such as "delay," "bad odor," "lack of quality control," and "service problem." These analyses visually represent the overall satisfaction levels of users and the problems they encounter, providing insights for businesses to improve their products and services. Classification processes were carried out using machine learning methods such as SVM, KNN, and Naive Bayes (NB). With an 80-20 training-test ratio, the NB model exhibited the highest performance with a success rate of 94.02%. The SVM model achieved a success rate of 93.42%, while the KNN model achieved 86.75%. The NB model also demonstrated high performance in precision, recall, and F1-score metrics. Deep learning methods such as LSTM and 1D-CNN were utilized, and success rates were examined with different training-test ratios. The LSTM model achieved a success rate of 92.42%, while the 1D-CNN model achieved 91.42%. In conclusion, the Naive Bayes model outperformed other models with the highest success rate. Deep learning methods, specifically LSTM and 1D-CNN, also demonstrated notable performance with high success rates. This study illustrates the effectiveness of machine learning and deep learning methods for sentiment analysis in user comments within the e-commerce sector. Such analyses offer significant advantages for businesses in better evaluating customer feedback and enhancing customer satisfaction. | |
| dc.identifier.citation | Yıldız, N. (2024). Derin öğrenme yöntemi ile metinsel ifadelerde duygu analizi. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12402/4795 | |
| dc.language.iso | tr | |
| dc.publisher | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Kelime Çantası | |
| dc.subject | Makine Öğrenmesi | |
| dc.subject | Metin madenciliği | |
| dc.subject | TF-IDF | |
| dc.subject | Bag of Words | |
| dc.subject | Machine Learning | |
| dc.subject | Text Mining | |
| dc.title | Derin öğrenme yöntemi ile metinsel ifadelerde duygu analizi | |
| dc.title.alternative | Deep learning for sentiment analysis in textual expressions | |
| dc.type | Master Thesis |
