Amazon Ürün Değerlendirmeleri Üzerinde Derin Öğrenme/Makine Öğrenmesi Tabanlı Duygu Analizi Yapılması

Abstract

Bu çalışma da, amazon ürün yorumları veri seti üzerinde Makine öğrenmesi yöntemleriyle, duygu analizi sınıflandırma performansları analiz edilmiştir. Yapılan çalışma, ürün yorumlarının duygu içerip içermediği, içeriyorsa olumlu, olumsuz veya tarafsız olma durumunun belirlenmesidir. Çalışmada, Kaggle amazon ürün yorumları[1] içeren veri seti edinilmiş ve Python dili kullanılarak Jupyter Lab üzerinde 4 farklı makine öğrenmesi ile sistem çalıştırılmıştır. Çapraz doğrulama yöntemi k=10 olacak şekilde kullanılmıştır. Kullanılan yöntemler içerisinde Karar Ağacı sınıflandırma algoritması kullanılan diğer Naive Bayes, Destek Vektör Makineleri ve Lojistik Regresyon yöntemlerine göre yüzde 94 doğruluk oranı ile daha başarılı olduğu deneysel olarak gösterilmiştir.

Keywords

• Duygu analizi
• Makine Öğrenmesi
• F-1 Puanı
• K-n Katlamalı Çapraz Doğrulama
• F-Ölçütü

Sentiment Analysis with Deep Learning/Machine Learning Techniques on Amazon Products Review

Abstract

In this study, emotion analysis classification performances of comments were analyzed using machine learning methods on amazon product reviews data set. The study conducted is the determination of whether the product comments contain emotions, if comment contains emotions, whether they are positive, negative or neutral. In the study, the data set includes Kaggle Amazon product reviews [1] was obtained and the system was run with 4 different machine learning algoritms using Python language on Jupyter Lab. The cross validation method was used as k = 10. Among the methods used, it has been experimentally indicates that using Logistic Regression classification algorithm is more successful with an accuracy rate of 96 percent compared to other Naive Bayes, Support Vector Machines and Decision Tree methods

Keywords

• Sentiment Analysis
• Machine Learning
• F-1 Score
• F-Measure
• K-n Fold Cross Validation

References

1. Amazon Tüketici Ürün Değerlendirmeleri veri seti, Erişim adresi https://www.kaggle.com/datafiniti/consumer-reviews-of-amazon-products
2. Bilgin M. (2017), “Gerçek Veri Setlerinde Klasik Makine Öğrenmesi Yöntemlerinin Performans Analizi”, 19. Akademik Bilişim Konferansı Breast, 2(9) 683.
3. Onan, A. (2017). Twitter mesajları üzerinde makine öğrenmesi yöntemlerine dayalı duygu analizi. Yönetim Bilişim Sistemleri Dergisi, 3 (2) , 1-14. Erişim adresi https://dergipark.org.tr/tr/pub/ybs/issue/33128/368593
4. Seker S.E. (2015), “Metin madenciliği”, YBS ansiklopedi, 2(3), 32. Erişim adresi http://ybsansiklopedi.com/wp-content/uploads/2015/08/MetinMadenciligi30_32.pdf
5. Tan W, Wang X. ve Xu X.(2018), “Analysis for Amazon Reviews” Erişim adresi http://cs229.stanford.edu/proj2018/report/122.pdf
6. Sadhasivam, Jayakumar & Babu, Ramesh. (2019). Sentiment Analysis of Amazon Products Using Ensemble Machine Learning Algorithm. International Journal of Mathematical, Engineering and Management Sciences. 4. 508-520. 10.33889/IJMEMS.2019.4.2-041.
7. Malkoç B.(2012), “Temel Bilimler ve Mühendislik Eğitiminde Programlama Dili Olarak Python”, XIV. Akademik Bilişim Konferansı Bildirileri, 201.
8. PYPL, programlama dilleri popülerlik indeksi(2020), Erişim Adresi https://pypl.github.io/PYPL.html

9. NLTK (2020) Erişim Adresi http://www.nltk.org/
10. Berrar D.(2019), “Cross-validation”, Encyclopedia of Bioinformatics and Computational Biology 1 (542-545)
11. Şahin E. (2018), “Makine öğrenme yöntemleri ve kelime kümesi tekniği ile istenmeyen eposta sınıflandırması” yüksek lisans tezi, sayfa 8, Hacettepe üniversitesi, Bilgisayar Mühendisliği Anabilim Dalı.
12. Güran, A, Uysal, M, Doğrusöz, Ö. (2014). Destek vektör makineleri parametre optimizasyonunun duygu analizi üzerindeki etkisi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 16 (48) , 86-93. Erişim adresi https://dergipark.org.tr/tr/pub/deumffmd/issue/40797/492168
13. Kalaycı, T. (2018). Kimlik hırsızı web sitelerinin sınıflandırılması için makine öğrenmesi yöntemlerinin karşılaştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24 (5) , 870-878. Erişim Adresi https://dergipark.org.tr/tr/pub/pajes/issue/39683/469468
14. Yengi̇, Y, İlhan Omurca, S. (2016). Lojistik Regresyonun Özellik Azaltma Teknikleri ile Gen Dizilimlerinin Sınıflandırılmasındaki Başarısı. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 8 (1) , 1-12. https://dergipark.org.tr/tr/pub/tbbmd/issue/22248/238832
15. Memi̇ş, S, Engi̇noğlu, S, Erkan, U. (2019). A Data Classification Method in Machine Learning Based on Normalised Hamming Pseudo-Similarity of Fuzzy Parameterized Fuzzy Soft Matrices. Bilge International Journal of Science and Technology Research, ICONST 2019, 1-8. DOI: 10.30516/bilgesci.643821
16. Google Machine Learning Crash Course(2020), Erişim adresi https://developers.google.com/machine-learning/crash-course/classification/roc-and-auc