Classification of Online User Reviews with Sentiment Analysis

Year 2020, Volume: 1 Issue: 2, 1 - 5, 30.06.2020

Seda Tuzcu

Abstract

Sentiment analysis is
an approach for classifying the polarity of text source that is interested. Due
to the high rate of using internet today, online user reviews which gradually
increase in volume become an important data source for sentiment analysis studies
in terms of accessibility and diversity. In this study, firstly, Multi-Layer
Perceptron (MLP) algorithm is applied on online user reviews of an online bookstore
for sentiment analysis using Python programming language. Afterwards, Naïve
Bayes (NB), Support Vector Machines (SVM), and Logistic Regression (LR)
algorithms are applied on the same dataset using RapidMiner data science
software. Algorithms’ successes in classifying reviews are compared and
Multi-Layer Perceptron becomes the algorithm showing the best results on this
dataset.

Keywords

Text Mining, Sentiment Analysis, Opinion Mining, Python, RapidMiner

Çevrimiçi Kullanıcı Yorumlarının Duygu Analizi ile Sınıflandırılması

Abstract

Duygu analizi, ilgilenilen metin kaynağının polarite sınıflandırmasını gerçekleştirmeye yönelik bir yaklaşımdır. Günümüzde yaygın internet kullanımına bağlı olarak hacmi giderek artan çevrimiçi kullanıcı yorumları da duygu analizi çalışmaları için ulaşılabilirlik ve çeşitlilik açısından oldukça önemli bir veri kaynağı haline gelmiştir. Bu çalışmada, çevrimiçi bir kitap satış sitesinin kullanıcı yorumları üzerinde duygu analizi için öncelikle Python programlama dili kullanılarak Çok Katmanlı Algılayıcı (MLP) algoritması uygulanmıştır. Daha sonra bir veri bilimi yazılımı olan RapidMiner kullanılarak, aynı veri seti üzerinde Naive Bayes (NB), Destek Vektör Makineleri (DVM) ve Lojistik Regresyon (LR) algoritmaları uygulanmıştır. Algoritmaların yorumları sınıflandırma başarıları karşılaştırılmış ve Çok Katmanlı Algılayıcı bu veri setinde en iyi sonuçları gösteren algoritma olmuştur.

Keywords

Metin Madenciliği, Duygu Analizi, Düşünce Madenciliği, Doğal Dil İşleme, Python, RapidMiner

References

• Bloem, C. 2017. 84 Percent of People Trust Online Reviews As Much As Friends. https://www.inc.com/craig-bloem/84-percent-of-people-trust-online-reviews-as-much-.html (Erişim Tarihi: 02.01.2020).
• Şeker, S. E., 2014. Metin Madenciliği. http://bilgisayarkavramlari.sadievrenseker.com/2014/06/15/metin-madenciligi-text-mining/ (Erişim Tarihi: 02.01.2020).
• Feldman R., Dagan I. 1995. Knowledge Discovery in Textual Databases (KDT). Proceedings of the First International Conference on Knowledge Discovery and Data Mining, 20-21 Ağustos, Montreal, 112-117.
• Özyurt B., Akcayol M. A. 2018. Fikir Madenciliği ve Duygu Analizi, Yaklaşımlar, Yöntemler Üzerine Bir Araştırma. Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 4(2018), 668-693.
• Vasileios, H., Janyce, M.W. 2000. Effects of Adjective Orientation and Gradability on Sentence Subjectivity. In Proceedings of COLING-2000 18th Interntional Conference on Computational Linguistics, 29 Temmuz-6 Ağustos, Saarbrücken, 299-305.
• Tong, R.M. 2001. An Operational System for Detecting and Tracking Opinions in On-Line Discussion. In Proceedings of SIGIR 2001 Workshop on Operational Text Classification, 9-13 Eylül, New Orleans, Louisiana, 1-6.
• Pang, B., Lee, L., Vaithyanathan, S. 2002. Thumbs up? Sentiment Classification Using Machine Learning Techniques. In Proceedings of EMNLP-2002 Conference on Empirical Methods in Natural Language Processing, 6-7 Temmuz, Pennsylvania, 79-86.
• Tetsuya, N., Jeonghee, Y. 2003. Sentiment Analysis: Capturing Favorability Using Natural Language Processing. In Proceedings of KCAP-03 2nd International Conference on Knowledge Capture, 23-25 Ekim, Sanibel Island, FL, 70-77.
• Kushal, D., Steve, L., Pennock, D.M. 2003. Mining the Peanut Gallery: Opinion Extraction and Semantic Classification of Product Reviews. In Proceedings of WWW’03 12th International Conference on World Wide Web, 20-24 Mayıs, Budapest, 519-528.
• Chiavetta, F., Bosco, G. L., Pilato, G. 2016. A Lexicon-based Approach for Sentiment Classification of Amazon Books Reviews in Italian Language. International Conference on Web Information Systems and Technologies, 23-25 Nisan, Rome, 159-170.
• Zhu, Z. 2016. Content Mining and Integration Study of Online Book Reviews Based on Information Classification. Library & Information Service, 60(2016), 114-124.
• Piryani, R., Gupta, V., Singh, V. K., Pinto, D. 2018. Book Impact Assessment: A Quantitative and Text-based Exploratory Analysis. Journal of Intelligent & Fuzzy Systems, 34(2018), 1-10.
• Kai, W., Xiaojuan, L., Yutong H. 2019. Exploring Goodreads Reviews for Book Impact Assessment. Journal of Informetrics, 13(2019), 874-886.
• Kamışlı Öztürk, Z., Erzurum Çiçek, Z. İ., Ergül, Z. 2017. Sentiment Analysis: An Application to Anadolu University. Acta Physica Polonica A, 132(2017), 1-3.
• Aggarwal, R. S. 2019. 10 Top Programming Languages in 2020 for Businesses. https://codeburst.io/10-top-programming-languages-in-2019-for-developers-a2921798d652 (Erişim Tarihi: 02.01.2020).
• Mayda, İ., Korkmaz, M. 2018. Türkçe Sıfat Sözlüğü ile Duygu Analizi. Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu (ASYU), 4-6 Ekim, Adana.
• Karabulut, E. Y., Küçüksille, E. U. 2018. Twitter Profesyonel İzleme ve Analiz Aracı. Teknik Bilimleri Dergisi, 8(2018), 17-24.
• Doğan, T., Uysal, A. K. 2018. Tıbbi Metin Dokümanlarının Sınıflandırılmasında Terim Ağırlıklandırma Yöntemlerinin Başarımlarının Kıyaslanması. 6th International Symposium on Innovative Technologies in Engineering and Science, 9-11 Kasım, Antalya, 1-10.
• Kaynar, O., Yıldız, M., Görmez, Y., Albayrak, A. 2016. Makine Öğrenmesi Yöntemleri ile Duygu Analizi. International Artificial Intelligence and Data Processing Symposium (IDAP'16), 17-18 Eylül, Malatya, 1-8.
• Kazan, S., Karakoca, H. 2019. Makine Öğrenmesi ile Ürün Kategorisi Sınıflandırma. Sakarya University Journal of Computer and Information Sciences, 2(2019), 1-10.