EFFECTS OF SUPPORT VECTOR MACHINES PARAMETER OPTIMIZATION ON SENTIMENT ANAYLSIS

Abstract

Sentiment Analysis which has the meaning of categorization of comments has been popular since people share their ideas about the products and services that they bought. The studies about sentiment analysis point out the importance of support vector machines (SVM) many times. By this work, using different sentiment analysis data sets, parameter changes that effects the performance of SVM method have been analysed and different cases that are acquired by different experiments have been interpreted

Keywords

• Sentiment analysis, Support vector machines, Parameter optimization

DESTEK VEKTÖR MAKINELERI PARAMETRE OPTIMIZASYONUNUN DUYGU ANALIZI ÜZERINDEKI ETKISI

Abstract

Kişilerin kullandıkları ürünler ve satın aldıkları hizmetler hakkındaki görüşlerini sosyal medya üzerinden paylaşması yorumların kategorize edilmesini sağlayan duygu analizi konusunun önem kazanmasını sağlamıştır. Duygu analizi ile ilgili çalışmalarda sınıflandırma metodu olarak destek vektör makineleri (DVM)’nin başarılı performansı pek çok kez vurgulanmıştır. Bu çalışma ile duygu analizinin gerçekleştirebileceği farklı veri setleri üzerinde DVM yöntem performansını etkileyen parametre değişimlerinin sınıflandırma performansı üzerindeki etkileri incelenmiş ve farklı deneyler sonucu elde edilen durumlar yorumlanmıştır.

Keywords

• Duygu analizi, Destek vektör makineleri, Parametre optimizasyonu

References

1. Kayahan D., Sergin A., Diri B. (2013): “Twitter ile TV Program Reytinglerinin Belirlenmesi”, IEEE 21. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SIU 2013, Kıbrıs.
2. Meral M., Diri B. (2014): “Twitter Üzerinden Duygu Analizi”, IEEE 22. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SIU 2014, Trabzon.
3. Çetin M., Amasyalı F. (2013): “Eğiticili ve Geleneksel Terim Ağırlıklandırma Yöntemleriyle Duygu Analizi”, IEEE 21.Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SIU 2013, Kıbrıs.
4. Cortes C., Vapnik V. (1995): “Support Vector Networks”, Machine Learning, Cilt 20, s.273– 297.
5. Hsu C. W., Lin C. J. (2002): “A Comparison of Methods for Multiclass Support Vector Machines”, IEEE Transactions On Neural Networks, Cilt 13, No. 2, s.415-425.nalizi”, IEEE 22. Sinyal İşleme ve Kemik Doğal Dil İşleme Grubu (2014): http://www.kemik.yildiz.edu.tr/ . Kaya G. T., Kaya H. (2014): “Destek Vektör Makinaları Model Parametrelerinin Yüksek Boyutlu Model Gösterilimi ile Optimizasyonu ve Hiperspektral Görüntülere Uygulanması”, IEEE 22. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SIU 2014, Trabzon.