Turkish sentiment analysis: A comprehensive review

Year 2024, Volume: 42 Issue: 4, 1292 - 1314, 01.08.2024

Ayşe Berna Altınel Girgin , Gizem Gümüşçekiççi Nuri Can Birdemir

Abstract

Sentiment analysis (SA) is a very popular research topic in the text mining field. SA is the process of textual mining in which the meaning of a text is detected and extracted. One of the key aspects of SA is to analyze the body of a text to determine its polarity to understand the opinions it expresses. Substantial amounts of data are produced by online resources such as social media sites, blogs, news sites, etc. Due to this reason, it is impossible to process all of this data without automated systems, which has contributed to the rise in popularity of SA in recent years. SA is considered to be extremely essential, mostly due to its ability to analyze mass opinions. SA, and Natural Language Processing (NLP) in particular, has become an over-whelmingly popular topic as social media usage has increased. The data collected from social media has sourced numerous different SA studies due to being versatile and accessible to the masses. This survey presents a comprehensive study categorizing past and present studies by their employed methodologies and levels of sentiment. In this survey, Turkish SA studies were categorized under three sections. These are Dictionary-based, Machine Learning-based, and Hybrid-based. Researchers can discover, compare, and analyze properties of different Turkish SA studies reviewed in this survey, as well as obtain information on the public dataset and the dictionaries used in the studies. The main purpose of this study is to combine Turkish SA approaches and methods while briefly explaining its concepts. This survey uniquely categorizes a large number of related articles and visualizes their properties. To the best of our knowledge, there is no such comprehensive and up-to-date survey that strictly covers Turkish SA which mainly concerns analysis of sentiment levels. Furthermore, this survey contributes to the literature due to its unique property of being the first of its kind.

Keywords

Deep Learning, Machine Learning, Natural Language Processing, Polarity Detection, Sentiment Analysis, Sentiment Classification

References

• REFERENCES
• [1] Girgin A, Gümüşçekiçci G. From past to present: Spam detection and identifying opinion leaders in social networks. Sigma J Eng Nat Sci 2022;40:441–463.
• [2] Bilgin M. Classification of Turkish Tweets by Document Vectors and Investigation of the Effects of Parameter Changes On Classification Success. Sigma J Eng Nat Sci 2020;38:1581–1592.
• [3] Dehkharghani R, Yanikoglu B, Saygin Y, Oflazer K. Sentiment analysis in Turkish at different granularity levels. Nat Lang Eng 2017;23:535–559. [CrossRef]
• [4] Gezici G, Yanıkoğlu B. Sentiment analysis in Turkish. Turkish Nat Lang Process 2018;255–271.
• [5] Yıldırım E, Çetin FS, Eryiğit G, Temel T. The impact of NLP on Turkish sentiment analysis. Türkiye Bilisim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi. 2015;7:43–51.
• [6] Alqaraleh S. Turkish sentiment analysis system via ensemble learning. Avrupa Bilim Teknol Derg 2020;122–129. [CrossRef]
• [7] Can EF, Ezen-Can A, Can F. Multilingual sentiment analysis: An RNN-based framework for limited data. arXiv Prepr arXiv:1806.04511. 2018.
• [8] Medhat W, Hassan A, Korashy H. Sentiment analysis algorithms and applications: A survey. Ain Shams Eng J 2014;5:1093–1113. [CrossRef]
• [9] Suat AT, Çınar Y. Borsa İstanbul’da finansal haberler ile piyasa değeri ilişkisinin metin madenciliği ve duygu (sentiment) analizi ile incelenmesi. Ankara Univ SBF Derg 2019;74:1–34. [CrossRef]
• [10] Ayvaz S, Yıldırım S, Salman YB. Türkçe duygu kütüphanesi geliştirme: Sosyal medya verileriyle duygu analizi çalışması. Avrupa Bilim Teknol Derg 2019;16:51–60. [CrossRef]
• [11] Vural AG, Cambazoglu B, Senkul P, Tokgoz ZO. A framework for sentiment analysis in Turkish: Application to polarity detection of movie reviews in Turkish. In: Computer and Information Sciences III. 2013; Springer; London; 437–445. [CrossRef]
• [12] Çoban Ö, Özyer B, Özyer GT. Sentiment analysis for Turkish Twitter feeds. In: 2015 23nd Signal Processing and Communications Applications Conference (SIU). 2015; IEEE; 2388–2391. [CrossRef]
• [13] Albayrak M, Topal K, Altıntaş V. Sosyal medya üzerinde veri analizi: Twitter. Suleyman Demirel Univ İktisadi ve İdari Bilimler Fakültesi Derg 2017;22(Kayfor 15 Özel Sayısı):1991–1998. [CrossRef]
• [14] Karaöz B, Gürsoy UT. Adaptif Öğrenme Sözlüğü Temelli Duygu Analiz Algoritması Önerisi. Bilisim Teknol Derg 2018;11:245–253.
• [15] Yüksel AS, Tan FG. Metin madenciliği teknikleri ile sosyal ağlarda bilgi keşfi. Mühendislik Bilimleri ve Tasarım Derg 2018;6:324–333. [CrossRef]
• [16] Akgül ES, Ertano C, Diri B. Twitter verileri ile duygu analizi. Pamukkale Univ J Eng Sci 2016;22(2). [CrossRef]
• [17] Aydın CR, Güngör T, Erkan A. Generating word and document embeddings for sentiment analysis. arXiv Prepr arXiv:2001.01269. 2020.
• [18] Erşahin B, Aktaş Ö, Kilinc D, Erşahin M. A hybrid sentiment analysis method for Turkish. Turk J Electr Eng Comput Sci 2019;27:1780–1793. [CrossRef]
• [19] Türkmenoglu C, Tantug AC. Sentiment analysis in Turkish media. In: International Conference on Machine Learning (ICML). 2014.
• [20] Toçoğlu MA, Alpkocak A. Lexicon-based emotion analysis in Turkish. Turk J Electr Eng Comput Sci 2019;27:1213–1227. [CrossRef]
• [21] Bayraktar K, Yavanoglu U, Ozbilen A. A Rule-Based Holistic Approach for Turkish Aspect-Based Sentiment Analysis. In: 2019 IEEE International Conference on Big Data (Big Data) 2019; IEEE; 2154–2158. [CrossRef]
• [22] Ekinci E, Omurca Sİ. Ürün özelliklerinin konu modelleme yöntemi ile çıkartılması. Türkiye Bilisim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 2017;9:51–58.
• [23] Mutlu M, Özgür A. A Dataset and BERT-based models for targeted sentiment Analysis on Turkish Texts. arXiv Prepr arXiv:2205.04185. 2022. [CrossRef]
• [24] Kilimci ZH. Borsa tahmini için Derin Topluluk Modelleri (DTM) ile finansal duygu analizi. Gazi Univ Mühendislik Mimarlık Fakültesi Derg 2020;35:635–650. [CrossRef]
• [25] Onan A. Türkçe Twitter Mesajlarında Gizli Dirichlet Tahsisine Dayalı Duygu Analizi. 2017.
• [26] Kaynar O, Yıldız M, Görmez Y, Albayrak A. Makine öğrenmesi yöntemleri ile Duygu Analizi. In: International Artificial Intelligence and Data Processing Symposium (IDAP'16). 2016;17–18.
• [27] Aytekin YE, Keskin Ö. Türkiye’de faizsiz finans sisteminin duygu analizi bağlamında değerlendirilmesi. Uluslararası Islam Ekonomisi ve Finansı Araştırmaları Dergisi 2019;5:87–112.
• [28] Kaya M, Fidan G, Toroslu IH. Sentiment analysis of Turkish political news. In: 2012 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology. 2012; IEEE; Vol. 1; 174–180. [CrossRef]
• [29] Ciftci B, Apaydin MS. A deep learning approach to sentiment analysis in Turkish. In: 2018 International Conference on Artificial Intelligence and Data Processing (IDAP). 2018; IEEE; 1–5. [CrossRef]
• [30] Shehu HA, Tokat S. A hybrid approach for the sentiment analysis of Turkish Twitter data. In: The International Conference on Artificial Intelligence and Applied Mathematics in Engineering. Cham: Springer; 2019. p. 182–190. [CrossRef]
• [31] Acikalin U, Bardak B, Kutlu M. Turkish Sentiment Analysis Using BERT. In: 2020 28th Signal Processing and Communications Applications Conference (SIU). 2020; IEEE; 1–4. [CrossRef]
• [32] Aksu MÇ, Karaman E. FastText ve kelime çantası kelime temsil yöntemlerinin turistik mekanlar için yapılan Türkçe incelemeler kullanılarak karşılaştırılması. Avrupa Bilim Teknol Derg 2020;20:311–320. [CrossRef]
• [33] Ballı C, Guzel MS, Bostanci E, Mishra A. Sentimental analysis of Twitter users from Turkish content with natural language processing. Comput Intell Neurosci 2022:2455160. [CrossRef]
• [34] Baykara M, Gürtürk U. Sosyal Medya Paylaşımlarının Duygu Analizi Yöntemiyle Sınıflandırılması. In: 2nd International Conferance on Computer Science and Engineering 2017;911–916.
• [35] Tuncer T, Çetintaş D. Bir sosyal ağdan alınan verilerin anlamsal kutuplandırılması. Bilgisayar Bilim 2019;4:1–6.
• [36] Güran A, Uysal M, Doğrusöz Ö. Destek vektör makineleri parametre optimizasyonunun duygu analizi üzerindeki etkisi. Dokuz Eylül Univ Müh Fak Fen Müh Derg 2014;16:86–93.
• [37] Aytekin Ç, Bayram MA. Türkçe metinler için duygu analizi yaklaşımı ile iletişimde bağlamdan bağımsız modellerin geliştirilmesi üzerine bir araştırma: karma veri modeli önerisi. Yeni Medya Elektron Derg 2021;5:12–25. [CrossRef]
• [38] Aytuğ O. Twitter mesajları üzerinde makine öğrenmesi yöntemlerine dayalı duygu analizi. Yönetim Bilisim Sistemleri Derg 2017;3(2):1–14.
• [39] Sarıman G, Mutaf E. Covid-19 sürecinde Twitter mesajlarinin duygu analizi. Euroasia J Math Eng Nat Med Sci 2020;7:137–148. [CrossRef]
• [40] Karabulut YE, Küçüksille EU. Twitter profesyonel izleme ve analiz aracı. Teknik Bilim Derg 2018;8:17–24. [41] Kaynar O, Aydın Z, Görmez Y. Sentiment analizinde öznitelik düşürme yöntemlerinin oto kodlayıcılı derin öğrenme makinaları ile karşılaştırılması. Bilisim Teknol Derg 2017;10:319–326. [CrossRef]
• [42] Alpkoçak A, Tocoglu MA, Çelikten A, Aygün İ. Türkçe Metinlerde Duygu Analizi için Farklı Makine Öğrenmesi Yöntemlerinin Karşılaştırılması. Dokuz Eylül Univ Müh Fak Fen Müh Derg 2019;21:719–725. [CrossRef]
• [43] Tuzcu S. Çevrimiçi kullanıcı yorumlarının duygu analizi ile sınıflandırılması. Eskisehir Turk Dünyası Uygulama ve Araştırma Merkezi Bilisim Derg 2020;1:1–5.
• [44] Kemaloğlu N, Küçüksille E, Özgünsever ME. Turkish Sentiment Analysis on Social Media. Sakarya Univ J Sci 2021;25:629–638. [CrossRef]
• [45] Bharadiya J. A comprehensive survey of deep learning techniques natural language processing. Eur J Technol. 2023;7:58–66. [CrossRef]
• [46] Çetin FS, Eryiğit G. Türkçe hedef tabanlı duygu analizi için alt görevlerin incelenmesi–hedef terim, hedef kategori ve duygu sınıfı belirleme. Bilisim Teknol Derg 2018;11:43–56. [CrossRef]
• [47] Onan A. Sentiment Analysis in Turkish Based on Weighted Word Embeddings. In: 2020 28th Signal Processing and Communications Applications Conference (SIU). 2020; IEEE; 1–4.
• [48] Aktaş Ö, Coşkuner B, Soner İ. Turkish Sentiment Analysis Using Machine Learning Methods: Application on Online Food Order Site Reviews. arXiv Prepr arXiv:2201.03848. 2022.
• [49] Seker SE. Sentimental analysis. YBS Ansiklopedi. 2016;3:21–36. [CrossRef]
• [50] Kılıç G, Budak I, Kılıç BS. Kara cuma etiketlerinin Tweet istatistikleri ve duygu analizi ile sıralanması. Selçuk Univ Sosyal Bilimler Meslek Yüksekokulu Derg 2020;23:131–140. [CrossRef]
• [51] Aydın İ, Salur MU, Başkaya F. Duygu analizi için çoklu popülasyon tabanlı parçacık sürü optimizasyonu. Türkiye Bilisim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi. 2018;11:52–64.
• [52] Demir Ö, Chawai AIB, Doğan B. Türkçe metinlerde sözlük tabanli yaklaşimla duygu analizi ve görselleştirme. Int Period Recent Technol Appl Eng 2019;1:58–66. [CrossRef]
• [53] Alqaraleh S. Novel Turkish Sentiment Analysis System using ConvNet. 2021. [CrossRef]
• [54] Shehu HA, Sharif MH, Sharif MHU, Datta R, Tokat S, Uyaver S, et al. Deep sentiment analysis: a case study on stemmed Turkish Twitter data. IEEE Access 2021;9:56836–56854. [CrossRef]
• [55] Salur MU, Aydin I. A novel hybrid deep learning model for sentiment classification. IEEE Access 2020;8:58080–58093. [CrossRef]
• [56] Guven ZA. The Comparison of Language Models with a Novel Text Filtering Approach for Turkish Sentiment Analysis. Trans Asian Low-Resource Lang Inf Process 2022;55:16. [CrossRef]
• [57] Sonmezoz K, Amasyali MF. Same sentence prediction: A new pre-training task for BERT. In: 2021 Innovations in Intelligent Systems and Applications Conference (ASYU). 2021; IEEE; 1–6. [CrossRef]
• [58] Sağlam F, Sever H, Genç B. Developing Turkish sentiment lexicon for sentiment analysis using online news media. In: 2016 IEEE/ACS 13th International Conference of Computer Systems and Applications (AICCSA). 2016; IEEE; 1–5. [CrossRef]
• [59] Köksal A, Özgür A. Twitter dataset and evaluation of transformers for Turkish sentiment analysis. In: 2021 29th Signal Processing and Communications Applications Conference (SIU). 2021; IEEE; 1–4. [CrossRef]
• [60] Altınel AB, Buzlu K, İpek K. Performance analysis of different sentiment polarity dictionaries on Turkish sentiment detection. In: 2022 International Conference on Innovations in Intelligent Systems and Applications (INISTA). 2022;1–6. [CrossRef]