Determining the orientation in choosing furniture based on social media based on data mining algorithms: Twitter example

Abstract

In parallel with the increase in internet usage, people from different parts of the world can easily convey their thoughts and feelings on social issues through social media. Millions of messages are written and read every day on various topics on a global scale through Twitter, which has an important place in these social media. While it is important to understand consumer behaviors in order to increase the competitiveness of firms, big data sources such as Twitter have multi-faceted the methods of analyzing behaviors. At the same time, developed countries allocate significant resources to data mining projects in order to have power. The use of Twitter and data mining as an alternative data source to identify trends in furniture choice has been proposed. The popular tweets with furniture using the Rapidminer and natural language processing software were gathered for ten months between May 2018 and February 2019, and natural language processing software enabled us to determine the mood of the tweets (positive and negative). Morphological analysis of the keywords in positive and negative tweets was then performed. Finally, meaningful information was obtained by utilizing the decision tree and association algorithms used in data mining. According to the decision tree algorithm, the most dominant words in the formation of positive or negative emotions were the challenge, campaign, discover and idea. As a result of the syntax of association, the most positive emotions were made with the order of words that awaken the emotions, and the opportunity was found as wood. In the same algorithm, the words that awaken the most negative emotions were listed as gloom, seedy, uncomfortable and fabric.

Keywords

• Furniture,Social media,Twitter,Data,Sentiment analysis

Veri madenciliği algoritmalarına dayalı olarak sosyal medya üzerinden mobilya seçimindeki yönelimlerin belirlenmesi: Twitter örneği

Abstract

İnternet kullanımındaki artışa paralel olarak dünyanın farklı noktalarındaki insanlar farklı konulardaki duygu ve düşüncelerini sosyal medyalar aracılığıyla kolay bir şekilde aktarabilmektedirler. Bu sosyal medyalar içerisinde önemli bir yere sahip olan Twitter vasıtasıyla küresel ölçekte her gün çeşitli konularda milyonlarca mesaj yazılmakta ve okunmaktadır. Firmaların rekabet gücünü artırmak açısından tüketici davranışlarını anlamak önemli bir konu iken Twitter gibi büyük veri kaynakları, davranışların analiz edilebilme yöntemlerini çok yönlü ele almaktadır. Aynı zamanda gelişmiş ülkeler güç sahibi olmak için veri madenciliği projelerine önemli kaynaklar ayırmaktadır. Çalışmada veri madenciliği algoritmaları kullanılarak mobilya tercihindeki eğilimleri belirlemek için bir sosyal medya ağı olan Twitter’da yapılan ilgili paylaşımlar değerlendirmeye alınmıştır. Bu kapsamda Rapidminer ve doğal dil işleme yazılımları kullanılarak içinde mobilya geçen popüler tweetler Mayıs 2018-Şubat 2019 tarihleri arasında on ay boyunca toplanmış ve doğal dil işleme yazılımları sayesinde tweetlerin duygu durumları (pozitif ve negatif) belirlenmiştir. Daha sonra pozitif ve negatif tweetlerde geçen anahtar kelimelerin morfolojik analizleri gerçekleştirilmiştir. Son olarak veri madenciliğinde kullanılan karar ağacı ve birliktelik algoritmalarından faydalanarak anlamlı bilgiler elde edilmiştir. Karar ağacı algoritmasına göre pozitif veya negatif duyguların oluşumunda itiraz, kampanya, keşfetmek ve fikir gibi kelimelerin baskın olduğu belirlenmiştir. Birliktelik algoritması sonucunda ise en pozitif duyguları uyandıran kelimelerin sipariş ile yapılmış, fırsat ve ahşap gibi ifadeler olduğu tespit edilmiştir. Aynı algoritmada en negatif duyguları uyandıran kelimeler ise kasvet, keyifsiz, rahatsız ve kumaş olarak sıralanmıştır.

Keywords

• Mobilya,Sosyal medya,Twiteer,Veri,Duygu analizi

References

1. Aslam, S., 2019 Twitter by the Numbers: Stats, Demographics & Fun Facts. https://www.omnicoreagency.com/Twitter-statistics/. Erişim: 15.01.2019.
2. ATA, 2019. Aylien Text Analysis, https://aylien.com/, Erişim: 05.11.2019.
3. Avcı, Ö., Sürücü, Ç., 2018. Üniversite öğrencilerinin sosyal medya etkileşimleri: Bartın üniversitesi örneği. Karadeniz Uluslararası Bilimsel Dergisi, 40: 500-514.
4. Belch, G.E., Belch, M.A., Ceresino, G., 1985. Parental and teenage child influences in family decision making. Journal of Business Research, 13(2): 163–176.
5. Çabuk, Y., Karayılmazlar, S., Türedi, H., 2012. Mobilya tercihinde tüketici davranışlarının demografik faktörler bakımından incelenmesi (Zonguldak ili örneği). Bartın Orman Fakültesi Dergisi, 14(21): 1-10.
6. D’Andrea, E., Ducange, P., Bechini, A., Renda, A., Marcelloni, F., 2019. Monitoring the public opinion about the vaccination topic from tweets analysis. Expert Systems with Applications, 116: 209–226.
7. Das, S., Dutta, A., Medina, G., Minjares-Kyle, L., Elgart, Z., 2019. Extracting patterns from Twitter to promote biking. IATSS Research, 43(1): 51–59.
8. Elarabi, H., Abdelgalil, S.A., 2014. Application of artificial neural network for prediction of Sudan soil profile. American Journal of Engineering, Technology and Society, 1(2): 7-10.

9. Gözükara, F., Özel, S.A., 2016. Türkçe ve ingilizce yorumların duygu analizinde doküman vektörü hesaplama yöntemleri için bir deneysel inceleme. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 31(2): 464-482.
10. Healey, C., Ramaswamy, S. 2017. Visualizing Twitter Sentiment. https://www.csc2.ncsu.edu/faculty/healey/tweet_viz/, Erişim: 09.11.2017.
11. Huang, F., Zhang, S., Zhang, J., Yu, G., 2017. Multimodal learning for topic sentiment analysis in microblogging. Neurocomputing, 253: 144-153.
12. Kaynar, O., Aydın, Z., Görmez, Y., 2017. Sentiment analizinde öznitelik düşürme yöntemlerinin oto kodlayıcılı derin öğrenme makinaları ile karşılaştırılması. Bilişim Teknolojileri Dergisi, 10(3): 319-326.
13. Kılınç, B., Eriş, U., Tarkan, M., 2016. İletişim Bilgisi. Anadolu Üniversitesi Yayınları, Eskişehir, Türkiye.
14. Lan, T., Zhang, Y., Jiang, C.,. Yang, G, Zhao, Z., 2018. A Automatic identification of Spread F using decision trees. Journal of Atmospheric and Solar-Terrestrial Physics, 179: 389-395.
15. Lihra, T., Buehlmann, U., Graf, R., 2012. Customer preferences for customized household furniture. Journal of Forest Economics, 18(2): 94–112.
16. Liu, J., Li, J., Li, W., Wu, Y., 2016.Rethinking big data: A review on the data quality and usage issues. ISPRS Journal of Photogrammetry and Remote Sensing, 115: 134–142.
17. Luke, J., Suharjito, S., 2015. Data mining of automatically promotion Tweet for products and services using Naïve Bayes Algorithm to increase Twitter engagement followers AtPT. Bobobobo. In Procedia Computer Science, 59: 254–61.
18. Mishra, S., 2018. A review on big data analytics in medical imaging. International Journal of Computer Engineering and Applications, 7(1): 31-37.
19. Nizam, H., Akın, S.S., 2014.Sosyal medyada makine öğrenmesi ile duygu analizinde dengeli ve dengesiz veri setlerinin performanslarının karşılaştırılması. XIX. Türkiye'de İnternet Konferansı’nda sunuldu, 27-29 Kasım, İzmir, s. 129-136.
20. Onan, A., 2015. Şirket iflaslarının tahmin edilmesinde karar ağacı algoritmalarının karşılaştırmalı başarım analizi. Bilişim Teknolojileri Dergisi, 8(1): 9-19.
21. Onan, A., 2017. Twitter mesajları üzerinde makine öğrenmesi yöntemlerine dayalı duygu analizi. Yönetim Bilişim Sistemleri Dergisi, 3(2): 1-14.
22. Özmen, U., 2016. İnternet ve Mobil Pazarlamada Veri ve Veri Madenciliği, (Ed., Eriş, U.), Anadolu Üniversitesi Yayınları, Eskişehir, Türkiye.s. 104-121.
23. Pandey, A.C., Rajpoot, D.S., Saraswat, M., 2017. Twitter sentiment analysis using hybrid cuckoo search method. Information Processing and Management, 53: 764-779.
24. RTA, 2019. Rosette Text Analytics, https://www.rosette.com/, Erişim: 04.11. 2019.
25. Sözen, E., Bardak, T., Peker, H., Bardak, S., 2017. Apriori algoritması kullanılarak mobilya seçimde etkili olan faktörlerin analizi. İleri Teknoloji Bilimleri Dergisi, 6(3): 679-684.
26. Tang, H., Tan, S., Cheng, X., 2009. A survey on sentiment detection of reviews. Expert Systems with Applications, 36: 10760–10773.
27. Tuncer, A.S., 2013. Sosyal Medyanın Gelişimi, (Ed. Özata, F.,Z.), Anadolu Üniversitesi Yayınları, Eskişehir, Türkiye. s. 2-25.
28. Türkmenoğlu, C., 2015. Türkçe metinlerde duygu analizi. Yüksek lisans tezi, Fen Bilimleri Enstitüsü, İstanbul Teknik Üniversitesi, İstanbul.
29. Ünal, F., 2015. Büyük Veri ve Semantik. Abaküs Yayınevi, İstanbul, Türkiye.
30. Wadie, B.S., Badawi, A.M., Abdelwahed, M., Elemabay, S.M., 2006. Application of artificial neural network in prediction of bladder outlet obstruction: A model based on objective, noninvasive parameters. Urology, 68(6): 1211–1214.
31. Wang, Y., Xia, S.T., Wu, J., 2017. A less-greedy two-term Tsallis Entropy Information Metric approach for decision tree classification. Knowledge-Based Systems, 120: 34-42.
32. Xiong, S., Lv, H., Zhao, W., Ji, D., 2018. Towards Twitter sentiment classification by multi-level sentiment-enriched word embeddings. Neurocomputing, 275: 2459-2466.