Turkish Sentiment Analysis Using Machine Learning Methods: Application on Online Food Order Site Reviews

Abstract

Satisfaction measurement, which emerges in every sector today, is a very important factor for many companies. In this study, it is aimed to reach the highest accuracy rate with various machine learning algorithms by using the data on Yemek Sepeti and variations of this data. The accuracy values of each algorithm were calculated together with the various natural language processing methods used. While calculating these accuracy values, the parameters of the algorithms used were tried to be optimized. The models trained in this study on labeled data can be used on unlabeled data and can give companies an idea in measuring customer satisfaction. It was observed that 3 different natural language processing methods applied resulted in approximately 5% accuracy increase in most of the developed models.

Keywords

• machine learning
• natural language processing
• sentiment analysis
• yemek sepeti

References

1. [1] B. Erşahin, Ö. Aktaş, D. Kilinc, and M. Erşahin, “A hybrid sentiment analysis method for Turkish”, Turkish Journal of Electrical Engineering & Computer Sciences, vol. 27, no. 3, pp. 1780-1793, 2019.
2. [2] B. Emekli and İ.H. Selvi, “GSM Operatörlerine Yönelik Atılan Türkçe Tweetlerin Derin Öğrenme Yöntemleriyle Duygu Analizi”, 4. Uluslararası Marmara Fen Bilimleri Kongresi, 2019.
3. [3] Ş. Yilmaz, İ. Özer, and H. Gökçen, “Türkçe Metinlerde Derin Öğrenme Yöntemleri Kullanılarak Duygu Analizi”, in International Symposium of Scientific Research and Innovative Studies, vol. 22, pp. 25, 2021.
4. [4] E. Baştürk, “Yemeksepeti Sentiment Analysis”. Kaggle [Online]. Available: https://www.kaggle.com/egebasturk1/yemeksepeti-sentiment-analysis. [Accessed Oct. 2020].
5. [5] İ. Yelmen. “Doğal Dil İşleme Yöntemleriyle Türkçe Sosyal Medya Verileri Üzerinde Duygu Analizi”, Doctoral dissertation, İstanbul Aydın Üniversitesi Fen Bilimleri Enstitüsü, 2016.
6. [6] O. Aytuğ, “Twitter Mesajları Üzerinde Makine Öğrenmesi Yöntemlerine Dayalı Duygu Analizi”. Yönetim Bilişim Sistemleri Dergisi, vol. 3, no 2, 1-14, 2017.
7. [7] M. Albayrak, K. Topal, and V. Altıntaş, “Sosyal Medya Üzerinde Veri Analizi: Twitter”. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, vol. 22 (Kayfor 15 Özel Sayısı), 2017.
8. [8] A. Alpkoçak, M.A. Tocoglu, A. Çelikten, and İ. Aygün, “Türkçe metinlerde duygu analizi için farklı makine öğrenmesi yöntemlerinin karşılaştırılması”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, vol. 21, no. 63, 719-725, 2019.

9. [9] N. İlhan and D. Sağlatıcı, “Twitter'da Duygu Analizi”. Harran Üniversitesi Mühendislik Dergisi, vol. 5, no. 2, 146-156, 2020.
10. [10] G. Sarıman and E. Mutaf, “COVID-19 Sürecinde Twitter Mesajlarının Duygu Analizi”, Euroasia Journal of Mathematics, Engineering, Natural & Medical Sciences, vol 7, no. 10, pp. 137-148, 2020.
11. [11] Yilmaz, Ş. Ş., Özer, İ., & Gökçen, H, “Türkçe Metinlerde Derin Öğrenme Yöntemleri Kullanılarak Duygu Analizi”. In International Symposium of Scientific Research and Innovative Studies, vol. 22, pp. 25, 2021.
12. [12] G. Gezici and B. Yanıkoğlu, “Sentiment analysis in Turkish. In Turkish natural language processing”, Springer, Cham, pp. 255-271, 2018.
13. [13] T. Mikolov, K. Chen, G. Corrado, and J. Dean, “Efficient estimation of word representations in vector space”, arXiv preprint arXiv:1301.3781, 2013.
14. [14] B. Coskuner, Yemek Sepeti Comments, 2021. [Online] Available: https://www.kaggle.com/berkaycokuner/yemek-sepeti-comments.