SENTIMENT ANALYSIS FROM SOCIAL MEDIA COMMENTS

Year 2020, , 366 - 374, 25.06.2020

Özer Çelik , Usame Ömer Osmanoğlu , Büşra Çanakçı

https://doi.org/10.21923/jesd.546224

Cited By: 6

Abstract

Nowadays, many firms and companies are curious about what people think and want and they are working in this direction. For this reason, it is tried to learn the ideas and emotions of people in various ways. However, as it is impossible to process and analyze a large number of emotions and thoughts with human hands, emotion analysis gain more importance. The emotions and thoughts of the people are analyzed and acted according to these requests through the emotion analysis which is quite functional in social networks. The aim of this study is to realize the learning with the data sets obtained from the interpretations made to the social platforms of the determined brands and to transfer the subject of the emotion analysis to the researchers in the best way. The range of accuracy rates reached is wide because of the disadvantages such as not paying attention to the rules of writing on social media or other digital platforms. In our study, a accuracy rate of 70% was achieved. This demonstrates the usefulness of machine learning in interpretation classification and emotion analysis.

Keywords

Machine Learning, Social Media, Classification Algorithms, Data Set, Sentiment Analysis

SOSYAL MEDYA YORUMLARINDAN DUYGU ANALİZİ

Abstract

Günümüzde birçok firma ve şirket insanların ne düşündüğü ve istediği konusunu merak etmekte ve bu doğrultuda çalışmalar yapmaktadır. Bu nedenle çeşitli yollarla insanların fikirleri ve duyguları öğrenilmeye çalışılmaktadır. Ancak çok sayıda duygu ve düşüncenin insan eliyle işlenip analiz edilmesi imkânsız olduğundan dolayı devreye ‘Duygu Analizi’ girmektedir. Sosyal ağlarda oldukça işlevsel olan duygu analizi sayesinde insanların duygu ve düşünceleri analiz edilip bu isteklere göre hareket edilmektedir. Bu çalışmanın amacı belirlenen markaların sosyal platformlarına yapılan yorumlardan elde edilen veri setleri ile öğrenmeyi gerçekleştirmek ve araştırmacılara duygu analizi konusunu en iyi şekilde aktarmaktır. Ulaşılan doğruluk oranları, sosyal medyada veya diğer dijital platformlarda yazım kurallarına dikkat edilmemesi gibi dezavantajları nedeniyle geniştir. Çalışmamızda %70'lik bir doğruluk oranı elde edilmiştir. Bu, makine öğrenmenin yorum sınıflandırma ve duygu analizinde kullanılabilir olduğunu göstermektedir.  

Keywords

Duygu Analizi, Makine Öğrenmesi, Sosyal Medya, Sınıflandırma Algoritmaları, Veri Seti

References

• Akbas, E. (2012). Aspect based opinion mining on Turkish tweets. The Graduate School of Engineering and Science of Bilkent University, Ankara.
• Akgul, E. S., Ertano, C., & Diri, B. (2016). Twitter verileri ile duygu analizi.
• Akin, C. E. (2018). ”Logistic Regression”, http://cagriemreakin.com/veri-bilimi/logistic-regression-classification-8.html,
• Aksu, M. C., & Karaman, E. (2017). Karar Ağaçları ile Bir Web Sitesinde Link Analizi ve Tespiti. Acta INFOLOGICA, 1(2), 84-91.
• Altunisik, R. (2015). Büyük Veri: Fırsatlar Kaynağı mı Yoksa Yeni Sorunlar Yumağı mı?. Yildiz Social Science Review, 1(1).
• Andrade, D., Tamura, A., & Tsuchida, M. (2019). Analysis of the Use of Background Distribution for Naive Bayes Classifiers. Journal of Intelligent Systems, 28(2), 259-273.
• Ardil, E. (2009). Esnek hesaplama yaklaşımı ile yazılım hata kestrimi (Master's thesis).
• Aytug, O., & Korukoglu, S. (2016). Makine öğrenmesi yöntemlerinin görüş madenciliğinde kullanılması üzerine bir literatür araştırması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 22(2), 111-122.
• Baykara, M., Gurturk, U., & Teknolojileri, N. B. (2017). Sosyal Medya Paylaşımlarının Duygu Analizi Yöntemiyle Sınıflandırılması, 2. International Conferance on Computer Science and Engineering, 911-916.
• Boynukalin, Z. (2012). Emotion analysis of Turkish texts by using machine learning methods. Middle East Technical University.
• Calis, K., Gazdagi, O., & Yildiz, O. (2013). Reklam İçerikli Epostaların Metin Madenciliği Yöntemleri ile Otomatik Tespiti. Bilişim Teknolojileri Dergisi, 6(1), 1-7.
• Cavnar, W. B., & Trenkle, J. M. (1994). N-gram-based text categorization. In Proceedings of SDAIR-94, 3rd annual symposium on document analysis and information retrieval (Vol. 161175).
• Celik, O., & Aslan, A. F. (2019). Gender Prediction from Social Media Comments with Artificial Intelligence. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23(6), 1256-1264.
• Celik, O., & Osmanoglu, U. O. (2019). Comparing to Techniques Used in Customer Churn Analysis. Journal of Multidisciplinary Developments, [S.l.], v. 4, n. 1, p. 30-38. ISSN 2564-6095.
• Celik, O. (2018). A Research on Machine Learning Methods and Its Applications. Journal of Educational Technology and Online Learning, 1(3), 25-40.
• David A. F. (2009). Statistical Models: Theory and Practice. Cambridge University Press. p. 26. A simple regression equation has on the right hand side an intercept and an explanatory variable with a slope coefficient. A multiple regression equation has two or more explanatory variables on the right hand side, each with its own slope coefficient
• Durahim, A. O., Coskun, S. A., Basarir, O, B., & Kebapci, H. (2018). Music emotion classification for Turkish songs using lyrics. Pamukkale University Journal of Engineering Sciences, 24(2).
• Garcia, S., & Yin, P. (2015). User Review Sentiment Classification and Aggregation.
• García-Gonzalo, E., Fernández-Muñiz, Z., García Nieto, P., Bernardo Sánchez, A., & Menéndez Fernández, M. (2016). Hard-rock stability analysis for span design in entry-type excavations with learning classifiers. Materials, 9(7), 531.
• Gozukara, F., & Ozel, S. A. (2016). An Experimental Investigation of Document Vector Computation Methods for Sentiment Analysis of Turkish and English Reviews.
• Kavzoglu, T., & Colkesen, I. (2010). Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi. Harita Dergisi, 144(7), 73-82.
• Kaynar, O., Gormez, Y., Yildiz, M., & Albayrak, A. (2016). Makine öğrenmesi yöntemleri ile Duygu Analizi. In International Artificial Intelligence and Data Processing Symposium (IDAP'16), September (pp. 17-18).
• Manogaran, G., & Lopez, D. (2018). Health data analytics using scalable logistic regression with stochastic gradient descent. International Journal of Advanced Intelligence Paradigms, 10(1-2), 118-132.
• Nalcakan, Y., Bayramoglu, S. S., & Tuna, S. (2015). Sosyal Medya Verileri Üzerinde Yapay Öğrenme ile Duygu Analizi Çalışması. Technical Report.
• Pham, B. T., Jaafari, A., Prakash, I., & Bui, D. T. (2019). A novel hybrid intelligent model of support vector machines and the MultiBoost ensemble for landslide susceptibility modeling. Bulletin of Engineering Geology and the Environment, 78(4), 2865-2886.
• Rencher, A. C., Christensen, W. F. (2012), "Chapter 10, Multivariate regression – Section 10.1, Introduction", Methods of Multivariate Analysis, Wiley Series in Probability and Statistics, 709 (3rd ed.), John Wiley & Sons, p. 19, ISBN 9781118391679.
• Sebastian R. (2015). Python Machine Learning. Birmingham.UK: Packt Publishing, 2015. ISBN: 978-1783555130.
• Turkmenoglu, C. (2016). Türkçe Metinlerde Duygu Analizi (Doctoral dissertation, Fen Bilimleri Enstitüsü).
• Yigit, I. O. (2017). Çağrı Merkezi Metin Madenciliği Yazılım Çerçevesi.