Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme

Volkan Altıntaş; Mehmet Albayrak; Kamil Topal

doi:10.17341/gazimmfd.734730

Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme

Öz

Sosyal medya ortamlarında, kullanıcılar yaşadıkları olaylar ile ilgili edindikleri tecrübeleri paylaşmaktadır. Kişiler başlarından geçen bir olayı, yeni gördükleri bir şehri, okudukları kitabı vb. paylaşarak aynı belirli konular hakkında diğer kişilere deneyimlerini aktarmaktadır. Sosyal medya kullanan bireylerin konuştuğu konulardan biri de sağlık problemleri ve bu konudaki deneyimlerin paylaşılmasıdır. Sağlık problemi yaşayan bazı bireyler, geçirdikleri hastalıkları, gördüğü tedavileri ve sonuçlarını, her bir evresinde kazandıkları tecrübeleri sosyal ortamlarda yazarak paylaşmaktadır. Bu paylaşımlar gerek bilgilendirici gerekse hastalıkla mücadelede moral/motivasyon için diğer hastalar açısından önem arz etmektedir. Paylaşım sayısının fazla olması, hastalıkların çeşitliği ve veri miktarının büyüklüğü nedeniyle insan tarafından manuel olarak yorumlanması imkânsız hale gelmektedir. Bu çalışmada, Reddit sosyal platformu üzerinden, kanser hastalığı ile ilgili paylaşımlar toplanarak bu veriler üzerinde çalışılmıştır. Bu paylaşımlar üzerinden yapay zekâ tabanlı konu modelleme algoritmalarından “Gizli Dirichlet Ayrımı (GDA)” algoritması ile konuşulan başlıca konu başlıkları bulunmuştur. Konu başlıklarının konuşulan konu ile ilişkisi incelenmiş ve içerik analizi yapılmıştır. Kanser hastalığı ile ilgili paylaşımlar içerisinde en fazla konuşulan içeriklerin belirlenmesi hedeflenmiştir. Ayrıca t-SNE tekniği kullanılarak konuların birbiri arasındaki ilişkisi incelenmiştir. GDA algoritması ile modelleme sonucunda elde edilen konu başlıklarında bulunan kelimelerin yapılan tutarlılık testinde uyumlu olduğu görülmüştür.

Anahtar Kelimeler

Doğal dil işleme,konu modelleme,metin madenciliği,gizli dirichlet ayrımı,sosyal medya

Kaynakça

Bhat M.R., Kundroo M.A., Tarray T.A., Agarwal B., Deep LDA: A new way to topic model, J. Inf. Optim. Sci., pp. 1–12, 2019
Alexa.com, Alexa Top 500 Global Sites, . http://alexa.com/topsites/, 2019. Erişim Tarihi 25 Ekim 2019
Blei D.M., Ng A.Y., Jordan M.I., Latent Dirichlet allocation, J. Mach. Learn. Res., 2003.
Foresee D.F., Hagan M.T., Gauss-Newton approximation to Bayesian learning, in Proceedings of International Conference on Neural Networks (ICNN ’97), vol. 3, pp. 1930–1935, 1997.
Okon E., Rachakonda V., Hong H.J., Callison-Burch C., Lipoff J., Natural Language Processing of Reddit Data to Evaluate Dermatology Patient Experiences and Therapeutics, J. Am. Acad. Dermatol., Jul. 2019.
Ding S., Li Z., Liu X., Huang H., Yang S., Diabetic complication prediction using a similarity-enhanced latent Dirichlet allocation model, Inf. Sci. (Ny)., vol. 499, pp. 12–24, 2019.
Chen C., Ren J., Forum latent Dirichlet allocation for user interest discovery, Knowledge-Based Syst., vol. 126, pp. 1–7, 2017.
Bastani K., Namavari H., Shaffer J., Latent Dirichlet allocation (LDA) for topic modeling of the CFPB consumer complaints, Expert Syst. Appl., vol. 127, pp. 256–271, 2019.

Wang W., Feng F., Dai W., Topic analysis of çevrimiçi reviews for two competitive products using latent Dirichlet allocation, Electron. Commer. Res. Appl., vol. 29, pp. 142–156, 2018.
Hagen L., Content analysis of e-petitions with topic modeling: How to train and evaluate LDA models?, Inf. Process. Manag., vol. 54, no. 6, pp. 1292–1307, 2018.
Griffiths T.L., Steyvers M., Finding scientific topics, Proc. Natl. Acad. Sci., vol. 101, no. Supplement 1, pp. 5228–5235, 2004.
Wang Y., Agichtein E., Benzi M., TM-LDA, in Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining - KDD '12, p. 123, 2012.
Xu Z., Ru L., Xiang L., Yang Q., Discovering User Interest on Twitter with a Modified Author-Topic Model, in 2011 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology, pp. 422–429, 2011.
Xu H, Zhang F.,Wang W., Implicit feature identification in Chinese reviews using explicit topic mining model, Knowledge-Based Syst., vol. 76, pp. 166–175, 2015.
Lu Y., Mei Q., Zhai C., Investigating task performance of probabilistic topic models: an empirical study of PLSA and LDA, Inf. Retr. Boston., vol. 14, no. 2, pp. 178–203, 2011.
Blei D.M., Probabilistic topic models, Commun. ACM, vol. 55, no. 4, p. 77, 2012.
Landauer T.K., Dutnais S.T., A solution to platos problem: The latent semantic analysis theory of acquisition, induction, and representation of knowledge, Psychol. Rev., pp. 211–240, 1997.
Lee D.D., Seung H.S., Algorithms for non-negative matrix factorization, NIPS, pp. 556–562, 2001.
Stevens K., Kegelmeyer P., Andrzejewski D., Buttler D., Exploring Topic Coherence over Many Models and Many Topics, Assoc. Comput. Linguist., vol. Proceeding, pp. 952–961, 2012.
Reddit, Reddit.com, 2005. Erişim tarihi Ocak 10, 2020.
PRAW, PRAW, 2017, https://praw.readthedocs.io/en/latest/. Erişim Tarihi Ocak 10, 2020.
NLTK, NLTK, 2019, https://nltk.org. Erişim Tarihi Ocak 10,2020.
Gensim, Gensim, 2009, https://radimrehurek.com/gensim/. Erişim Tarihi Şubat 4 2020 .
Maaten L., Hinton G., Visualizing Data using t-SNE, J. Mach. Learn. Res., vol. 9, pp. 2579–2605, 2008.
Sievert C., Shirley K., LDAvis: A method for visualizing and interpreting topics, in Proceedings of the Workshop on Interactive Language Learning, Visualization, and Interfaces, pp. 63–70, 2014.
Hidayatullah A.F., Ma’arif M.R., Road traffic topic modeling on Twitter using latent dirichlet allocation, in 2017 International Conference on Sustainable Information Engineering and Technology (SIET), pp. 47–52, 2017.
Chang J., Gerrish S., Wang C., Blei D.M., Reading Tea Leaves: How Humans Interpret Topic Models, in Advances in Neural Information Processing Systems 22, pp. 288–296, 2009.
Roder M., Both A., Hinneburg A., Exploring the Space of Topic ¨ Coherence Measures, in Proceedings of the Eighth ACM International Conference on Web Search and Data Mining - WSDM ’15. New York, USA: ACM Press, pp. 399–408, 2015.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Volkan Altıntaş ^*
0000-0002-1560-9017
Türkiye

Mehmet Albayrak
0000-0002-7089-122X
Türkiye

Kamil Topal
0000-0002-0266-7365
Türkiye

Yayımlanma Tarihi

2 Eylül 2021

Gönderilme Tarihi

9 Mayıs 2020

Kabul Tarihi

14 Nisan 2021

Yayımlandığı Sayı

Yıl 2021 Cilt: 36 Sayı: 4

DOI

https://doi.org/10.17341/gazimmfd.734730

IZ

https://izlik.org/JA49JC52LD

Kaynak Göster

RIS / Bibtex

APA

Altıntaş, V., Albayrak, M., & Topal, K. (2021). Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(4), 2183-2196. https://doi.org/10.17341/gazimmfd.734730

AMA

1.Altıntaş V, Albayrak M, Topal K. Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme. GUMMFD. 2021;36(4):2183-2196. doi:10.17341/gazimmfd.734730

Chicago

Altıntaş, Volkan, Mehmet Albayrak, ve Kamil Topal. 2021. “Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36 (4): 2183-96. https://doi.org/10.17341/gazimmfd.734730.

EndNote

Altıntaş V, Albayrak M, Topal K (01 Eylül 2021) Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36 4 2183–2196.

IEEE

[1]V. Altıntaş, M. Albayrak, ve K. Topal, “Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme”, GUMMFD, c. 36, sy 4, ss. 2183–2196, Eyl. 2021, doi: 10.17341/gazimmfd.734730.

ISNAD

Altıntaş, Volkan - Albayrak, Mehmet - Topal, Kamil. “Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36/4 (01 Eylül 2021): 2183-2196. https://doi.org/10.17341/gazimmfd.734730.

JAMA

1.Altıntaş V, Albayrak M, Topal K. Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme. GUMMFD. 2021;36:2183–2196.

MLA

Altıntaş, Volkan, vd. “Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 36, sy 4, Eylül 2021, ss. 2183-96, doi:10.17341/gazimmfd.734730.

Vancouver

1.Volkan Altıntaş, Mehmet Albayrak, Kamil Topal. Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme. GUMMFD. 01 Eylül 2021;36(4):2183-96. doi:10.17341/gazimmfd.734730

Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme

Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Classification of Customer Complaints Using BERTopic Topic Modelling Technique

Konu Modelleme ile Çalışan Önerileri Madenciliği: Bir Otomotiv Endüstrisi Vakası

Main Themes and Bibliometric Analysis of Conflict and Climate Change Studies

STACKOVERFLOW'DA "BIG DATA" İLE İLGİLİ GÖNDERİLERİN KONU MODELLEME VE BİRLİKTELİK ANALİZİ İLE ÖZELLİKLERİNİN ÇIKARILMASI

Research Topics and Trends in Gifted Education: A Structural Topic Model

Extended topic classification utilizing LDA and BERTopic: A call center case study on robot agents and human agents

Topic Modelling of Doctoral Theses Written on Lung Cancer in Türkiye Using LDA

Otellerin Kurumsal İtibarının Müşteri Yorumları üzerinden Yapay Zekâ Destekli Analizi: KKTC Örneği

A STUDY ON ELECTRIC CARS USING BERTOPIC TOPIC MODELING TECHNIQUE