Research Article
BibTex RIS Cite

Duygu Analizi için Çoklu Populasyon Tabanlı Parçacık Sürü Optimizasyonu

Year 2018, Volume: 11 Issue: 1, 52 - 64, 05.06.2018

İlhan Aydın Mehmet Umut Salur Fatma Başkaya

Abstract

Metin tabanlı içerikler arasında bulunan
duyguların tespit edilmesi duygu analizi olarak ifade edilir. İnternet
altyapısının dünya genelinde güçlenmesi, insanlara bir konudaki düşüncelerini
çevrimiçi ifade etme imkânı sağlamıştır. İnternet ortamında toplanan bu
verilerden önemli bilgilerin çıkarılması hemen hemen her alan için önem arz
etmektedir. Bu çalışmada da çokça kullanılan Twitter veri kümeleri üzerinde
duygu analizi işlemi gerçekleştirilmiştir. Metinlerdeki duygular olumlu,
olumsuz veya belirsiz olarak sınıflandırılmıştır. Sınıflandırma işleminden önce
veri kümeleri üzerinde metin madenciliği önişlemleri uygulanmış ve sonrasında
özellik çıkarımı yapılmıştır. Sınıflandırma işlemi için optimizasyon tabanlı
yeni bir yöntem önerilmiştir. Bu yöntemle elde edilen sınıflandırma performansı
literatürdeki çalışmalardan daha başarılı olduğu deneylerle tespit edilmiştir.

Keywords

Duygu Analizi Parçacık Sürü Optimizasyon Metin Önişleme Özellik Çıkarımı

References

  • [1] Y.-H. Hu, Y.-L. Chen, and H.-L. Chou, “Opinion mining from online hotel reviews--A text summarization approach,” Inf. Process. Manag., vol. 53, no. 2, pp. 436–449, 2017.
  • [2] D. Stojanovski, “Twitter Sentiment Analysis using Deep CNN,” vol. 9121, no. JUNE, 2015.
  • [3] Z. Jianqiang and G. Xiaolin, “Comparison research on text pre-processing methods on twitter sentiment analysis,” IEEE Access, vol. 5, pp. 2870–2879, 2017.
  • [4] M. Bouazizi and T. Otsuki, “A Pattern-Based Approach for Sarcasm Detection on Twitter,” IEEE Access, vol. 4, pp. 5477–5488, 2016.
  • [5] F. Wu, Z. Yuan, and Y. Huang, “Collaboratively Training Sentiment Classifiers for Multiple Domains,” IEEE Trans. Knowl. Data Eng., vol. 29, no. 7, pp. 1370–1383, 2017.
  • [6] A. S. H. Basari, B. Hussin, I. G. P. Ananta, and J. Zeniarja, “Opinion mining of movie review using hybrid method of support vector machine and particle swarm optimization,” Procedia Eng., vol. 53, pp. 453–462, 2013.
  • [7] A. Tripathy, A. Agrawal, and S. Kumar, “Classification of Sentimental Reviews Using Machine Learning Techniques,” vol. 0, no. November, pp. 117–126, 2014.
  • [8] D. Jiang, X. Luo, J. Xuan, and Z. Xu, “Sentiment Computing for the News Event Based on the Big Social Media Data,” IEEE Access, vol. 3536, no. c, pp. 1–1, 2016.
  • [9] I. Habernal, T. Ptáček, and J. Steinberger, “Reprint of ‘supervised sentiment analysis in Czech social media,’” Inf. Process. Manag., vol. 51, no. 4, pp. 532–546, 2015.
  • [10] Y. H. Hu, K. Chen, and P. J. Lee, “The effect of user-controllable filters on the prediction of online hotel reviews,” Inf. Manag., vol. 54, no. 6, pp. 728–744, 2017.
  • [11] A. Chandra Pandey, D. Singh Rajpoot, and M. Saraswat, “Twitter sentiment analysis using hybrid cuckoo search method,” Inf. Process. Manag., vol. 53, no. 4, pp. 764–779, 2017.
  • [12] I. Aydın, F. Başkaya, and M. U. Salur, “Sentiment classification with PSO based weighted K-NN,” 2017 IEEE International Conference Computer Science and Engineering (UBMK), pp. 739-744, 2017.
  • [13] J. Azeez and D. J. Aravindhar, “Hybrid approach to crime prediction using deep learning,” 2015 Int. Conf. Adv. Comput. Commun. Informatics, pp. 1701–1710, 2015.
  • [14] M. U. Salur, “A Data Mining Application with Mahout : Sentiment Analysis on Tweets of Newspapers.”, International Conference Computer Science and Engineering (UBMK), 2016.
  • [15] V. Bobichev, O. Kanishcheva, and O. Cherednichenko, “Sentiment Analysis in the Ukrainian and Russian News,” pp. 1050–1055, 2017.
  • [16] R. Bhonde, B. Bhagwat, S. Ingulkar, and A. Pande, “Sentiment Analysis Based on Dictionary Approach,” Int. J. Emerg. Eng. Res. Technol., vol. 3, no. 1, pp. 51–55, 2015.
  • [17] F. K. Chopra, “Sentiment Analyzing by Dictionary based Approach,” vol. 152, no. 5, pp. 32–34, 2016.
  • [18] “SentiWordNet.” [Çevrimiçi]. URL: http://sentiwordnet.isti.cnr.it/. [Erişim: 29-Kasım-2017].
  • [19] “SenticTweety.” [Çevrimiçi]. URL: http://tweety.sentic.net/. [Erişim: 29-Kasım-2017].
  • [20] “MPQA Opinion Corpus.” [Çevrimiçi]. URL: http://mpqa.cs.pitt.edu/#subj_lexicon. [Erişim: 29-Kasım-2017].
  • [21] O. Appel, F. Chiclana, J. Carter, and H. Fujita, “A hybrid approach to sentiment analysis,” 2016 IEEE Congr. Evol. Comput., no. Cci, pp. 4950–4957, 2016.
  • [22] “Twitter-sanders-apple.” [Çevrimiçi]. URL: http://boston.lti.cs.cmu.edu/classes/95-865-K/HW/HW3/. [Erişim: 24-Ekim-2017].
  • [23] “Twitter Sentiment Corpus.” [Çevrimiçi]. URL: http://www.sananalytics.com/lab/twitter-sentiment/. [Erişim: 11- Ekim -2017].
  • [24] “Twitter Dataset.” [Çevrimiçi]. URL: https://drive.google.com/file/d/0BwPSGZHAP_yoN2pZcVl1Qmp1OEU/view. [Erişim: 12- Ekim -2017].
  • [25] B. Altınel and M. C. Ganiz, “A new hybrid semi-supervised algorithm for text classification with class-based semantics,” Knowledge-Based Syst., vol. 108, pp. 50–64, 2016.
  • [26] A. Cervantes, I.M. Galvan, P.Isasi, “AMPSO: A new Particle swarm method for nearest neighborhood classification,” IEEE T [1]rans. On Systems, Man, and Cybernetics-Part B, vol. 39, pp. 1082-1091, March 2009.

Year 2018, Volume: 11 Issue: 1, 52 - 64, 05.06.2018

İlhan Aydın Mehmet Umut Salur Fatma Başkaya

Abstract

References

  • [1] Y.-H. Hu, Y.-L. Chen, and H.-L. Chou, “Opinion mining from online hotel reviews--A text summarization approach,” Inf. Process. Manag., vol. 53, no. 2, pp. 436–449, 2017.
  • [2] D. Stojanovski, “Twitter Sentiment Analysis using Deep CNN,” vol. 9121, no. JUNE, 2015.
  • [3] Z. Jianqiang and G. Xiaolin, “Comparison research on text pre-processing methods on twitter sentiment analysis,” IEEE Access, vol. 5, pp. 2870–2879, 2017.
  • [4] M. Bouazizi and T. Otsuki, “A Pattern-Based Approach for Sarcasm Detection on Twitter,” IEEE Access, vol. 4, pp. 5477–5488, 2016.
  • [5] F. Wu, Z. Yuan, and Y. Huang, “Collaboratively Training Sentiment Classifiers for Multiple Domains,” IEEE Trans. Knowl. Data Eng., vol. 29, no. 7, pp. 1370–1383, 2017.
  • [6] A. S. H. Basari, B. Hussin, I. G. P. Ananta, and J. Zeniarja, “Opinion mining of movie review using hybrid method of support vector machine and particle swarm optimization,” Procedia Eng., vol. 53, pp. 453–462, 2013.
  • [7] A. Tripathy, A. Agrawal, and S. Kumar, “Classification of Sentimental Reviews Using Machine Learning Techniques,” vol. 0, no. November, pp. 117–126, 2014.
  • [8] D. Jiang, X. Luo, J. Xuan, and Z. Xu, “Sentiment Computing for the News Event Based on the Big Social Media Data,” IEEE Access, vol. 3536, no. c, pp. 1–1, 2016.
  • [9] I. Habernal, T. Ptáček, and J. Steinberger, “Reprint of ‘supervised sentiment analysis in Czech social media,’” Inf. Process. Manag., vol. 51, no. 4, pp. 532–546, 2015.
  • [10] Y. H. Hu, K. Chen, and P. J. Lee, “The effect of user-controllable filters on the prediction of online hotel reviews,” Inf. Manag., vol. 54, no. 6, pp. 728–744, 2017.
  • [11] A. Chandra Pandey, D. Singh Rajpoot, and M. Saraswat, “Twitter sentiment analysis using hybrid cuckoo search method,” Inf. Process. Manag., vol. 53, no. 4, pp. 764–779, 2017.
  • [12] I. Aydın, F. Başkaya, and M. U. Salur, “Sentiment classification with PSO based weighted K-NN,” 2017 IEEE International Conference Computer Science and Engineering (UBMK), pp. 739-744, 2017.
  • [13] J. Azeez and D. J. Aravindhar, “Hybrid approach to crime prediction using deep learning,” 2015 Int. Conf. Adv. Comput. Commun. Informatics, pp. 1701–1710, 2015.
  • [14] M. U. Salur, “A Data Mining Application with Mahout : Sentiment Analysis on Tweets of Newspapers.”, International Conference Computer Science and Engineering (UBMK), 2016.
  • [15] V. Bobichev, O. Kanishcheva, and O. Cherednichenko, “Sentiment Analysis in the Ukrainian and Russian News,” pp. 1050–1055, 2017.
  • [16] R. Bhonde, B. Bhagwat, S. Ingulkar, and A. Pande, “Sentiment Analysis Based on Dictionary Approach,” Int. J. Emerg. Eng. Res. Technol., vol. 3, no. 1, pp. 51–55, 2015.
  • [17] F. K. Chopra, “Sentiment Analyzing by Dictionary based Approach,” vol. 152, no. 5, pp. 32–34, 2016.
  • [18] “SentiWordNet.” [Çevrimiçi]. URL: http://sentiwordnet.isti.cnr.it/. [Erişim: 29-Kasım-2017].
  • [19] “SenticTweety.” [Çevrimiçi]. URL: http://tweety.sentic.net/. [Erişim: 29-Kasım-2017].
  • [20] “MPQA Opinion Corpus.” [Çevrimiçi]. URL: http://mpqa.cs.pitt.edu/#subj_lexicon. [Erişim: 29-Kasım-2017].
  • [21] O. Appel, F. Chiclana, J. Carter, and H. Fujita, “A hybrid approach to sentiment analysis,” 2016 IEEE Congr. Evol. Comput., no. Cci, pp. 4950–4957, 2016.
  • [22] “Twitter-sanders-apple.” [Çevrimiçi]. URL: http://boston.lti.cs.cmu.edu/classes/95-865-K/HW/HW3/. [Erişim: 24-Ekim-2017].
  • [23] “Twitter Sentiment Corpus.” [Çevrimiçi]. URL: http://www.sananalytics.com/lab/twitter-sentiment/. [Erişim: 11- Ekim -2017].
  • [24] “Twitter Dataset.” [Çevrimiçi]. URL: https://drive.google.com/file/d/0BwPSGZHAP_yoN2pZcVl1Qmp1OEU/view. [Erişim: 12- Ekim -2017].
  • [25] B. Altınel and M. C. Ganiz, “A new hybrid semi-supervised algorithm for text classification with class-based semantics,” Knowledge-Based Syst., vol. 108, pp. 50–64, 2016.
  • [26] A. Cervantes, I.M. Galvan, P.Isasi, “AMPSO: A new Particle swarm method for nearest neighborhood classification,” IEEE T [1]rans. On Systems, Man, and Cybernetics-Part B, vol. 39, pp. 1082-1091, March 2009.
There are 26 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Makaleler(Araştırma)
Authors

İlhan Aydın

Mehmet Umut Salur

Fatma Başkaya This is me

Publication Date June 5, 2018
Published in Issue Year 2018 Volume: 11 Issue: 1

Cite

APA Aydın, İ., Salur, M. U., & Başkaya, F. (2018). Duygu Analizi için Çoklu Populasyon Tabanlı Parçacık Sürü Optimizasyonu. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, 11(1), 52-64.
AMA Aydın İ, Salur MU, Başkaya F. Duygu Analizi için Çoklu Populasyon Tabanlı Parçacık Sürü Optimizasyonu. TBV-BBMD. June 2018;11(1):52-64.
Chicago Aydın, İlhan, Mehmet Umut Salur, and Fatma Başkaya. “Duygu Analizi için Çoklu Populasyon Tabanlı Parçacık Sürü Optimizasyonu”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi 11, no. 1 (June 2018): 52-64.
EndNote Aydın İ, Salur MU, Başkaya F (June 1, 2018) Duygu Analizi için Çoklu Populasyon Tabanlı Parçacık Sürü Optimizasyonu. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 11 1 52–64.
IEEE İ. Aydın, M. U. Salur, and F. Başkaya, “Duygu Analizi için Çoklu Populasyon Tabanlı Parçacık Sürü Optimizasyonu”, TBV-BBMD, vol. 11, no. 1, pp. 52–64, 2018.
ISNAD Aydın, İlhan et al. “Duygu Analizi için Çoklu Populasyon Tabanlı Parçacık Sürü Optimizasyonu”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 11/1 (June 2018), 52-64.
JAMA Aydın İ, Salur MU, Başkaya F. Duygu Analizi için Çoklu Populasyon Tabanlı Parçacık Sürü Optimizasyonu. TBV-BBMD. 2018;11:52–64.
MLA Aydın, İlhan et al. “Duygu Analizi için Çoklu Populasyon Tabanlı Parçacık Sürü Optimizasyonu”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, vol. 11, no. 1, 2018, pp. 52-64.
Vancouver Aydın İ, Salur MU, Başkaya F. Duygu Analizi için Çoklu Populasyon Tabanlı Parçacık Sürü Optimizasyonu. TBV-BBMD. 2018;11(1):52-64.
 Download Cover Image

Article Acceptance

Use user registration/login to upload articles online.

The acceptance process of the articles sent to the journal consists of the following stages:

1. Each submitted article is sent to at least two referees at the first stage.

2. Referee appointments are made by the journal editors. There are approximately 200 referees in the referee pool of the journal and these referees are classified according to their areas of interest. Each referee is sent an article on the subject he is interested in. The selection of the arbitrator is done in a way that does not cause any conflict of interest.

3. In the articles sent to the referees, the names of the authors are closed.

4. Referees are explained how to evaluate an article and are asked to fill in the evaluation form shown below.

5. The articles in which two referees give positive opinion are subjected to similarity review by the editors. The similarity in the articles is expected to be less than 25%.

6. A paper that has passed all stages is reviewed by the editor in terms of language and presentation, and necessary corrections and improvements are made. If necessary, the authors are notified of the situation.

0

.   This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.