TY  - JOUR
T1  - Türkçe Metinlerde Duygu Analizi için Farklı Makine Öğrenmesi Yöntemlerinin Karşılaştırılması
TT  - Comparison of Different Machine Learning Approaches for Emoti on Analysis in Turkish
AU  - Alpkoçak, Adil
AU  - Tocoglu, Mansur Alp
AU  - Çelikten, Azer
AU  - Aygün, İrfan
PY  - 2019
DA  - September
DO  - 10.21205/deufmd.2019216303
JF  - Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi
JO  - DEUFMD
PB  - Dokuz Eylül Üniversitesi
WT  - DergiPark
SN  - 1302-9304
SP  - 719
EP  - 725
VL  - 21
IS  - 63
LA  - tr
AB  - Bu çalışmada, Türkçe metinlerden duygu çıkarımı alanında kullanılan TREMO veri seti üzerinde farklı makine öğrenmesi algoritmasının sınıflandırma sonuçları karşılaştırılmıştır. Duygu analizi bir metin sınıflandırma problemi olarak ele alınmış ve Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (DVM), Random Forest (RF) ve K-En Yakın Komşu (KEYK) algortimaları olmak üzere dört yaklaşım incelenmiştir. İncelenen duygu kategorileri olarak veri setinin sağladığı, mutluluk, korku, öfke, üzüntü, tiksinme ve şaşırma kategorileri kullanılmıştır. Veri ön işleme bölümünde, veri setini oluşturan kelimelerin kökleri ilk beş karakter (F5) yöntemi kullanılarak tespit edilmiştir. Kelimeler kök haline getirildikten sonra Vektör Uzay Modeli ile veri seti modellenmiş ve her duygu için en önemli ilk 500 kelime Kaşılıklı Bilgi (Mutual Information-MI) yöntemi ile tespit edilmiştir. Sınıflandırma sonuçlarının karşılaştırılmasında doğruluk metriği esas alınmıştır. Deneysel çalışma sonuçlarına göre, YSA algoritması en iyi sonucu vermiştir. DVM, RF ve KEYK algoritmaları ise bu sıra ile azalan başarım göstermişlerdir.
KW  - TREMO
KW  - Duygu Analizi
KW  - Makine Öğrenmesi
KW  - Metin Madenciliği
N2  - In thisresearch, the classification results of different Machine Learning Algorithmswere compared on the validated TREMO data set used in the field of emotionextraction from Turkish texts. Emotion analysis was considered as textclassification problem and four different machine algorithms, Artificial NeuralNetworks (ANN), Support Vector Machines (SVM), Random Forest (RF) and K‑NearestNeighbor (KNN) have been investigated. The categories provided by the data set,which are happiness, fear, anger, sadness, disgust and surprise, were used asemotion categories. In the preprocessing phase, stemming process was performedusing the truncate at five (F5) method. After stemming process, the data setwas modeled using the Vector Space Model. After that, the first 500 words foreach emotion in the data set were identified by the Mutual Information (MI)formula. The comparison of classification results was based on accuracy metric.According to experimental study results, the ANN classifier was performed best,and SVM, RF and KNN performed, in descending order
CR  - [1]	Kılınç, D., Özçift, A., Bozyigit, F., Yıldırım, P., Yücalar, F., & Borandag, E. 2017. TTC-3600: A New Benchmark Dataset for Turkish Text Categorization. Journal of Information Science, Cilt. 43, s. 174-185. DOI: https://doi.org/10.1177/0165551515620551
CR  - [2]	Scherer, K.R., Wallbott, H.G. 1994. Evidence for Universality and Cultural Variation of Differential Emotion Response Patterning. Journal of Personality and Social Psychology, Cilt. 67, s. 55. DOI: http://dx.doi.org/10.1037/0022-3514.67.1.55
CR  - [3]	Danisman, T., Alpkocak, A. 2008. Feeler: Emotion Classification of Text  Using  Vector  Space Model. AISB 2008 Convention Communication, Interaction and Social Intelligence, 1-4 Nisan, Aberden, 53-59.
CR  - [4]	Giachanou, A., Crestani, F. 2016. Opinion Retrieval in Twitter Using Stylistic Variations. 31. Annual ACM Symposium on Applied Computing, 4-8 Nisan, Pisa, 1077-1079.
CR  - [5]	Luo, Z., Osborne, M., Wang, T. 2015. An Effective Approach to Tweets Opinion Retrieval. World Wide Web, Cilt. 18, s. 545-566.
CR  - [6]	Go, A., Bhayani, R., Huang, L. 2009. Twitter Sentiment Classification Using Distant Supervision. CS224N Project Report, Stanford, 1(12).
CR  - [7]	Mohammad, S. 2012. Portable Features for Classifying Emotional Text. North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 3-8 Haziran, Montreal, 587-591.
CR  - [8]	Ekman, P. 1992. An Argument for Basic Emotions,  Cognition & Emotion. Cilt. 6, s. 169-200.
CR  - [9]	Strapparava, C., Valitutti, A. 2004. Wordnet Affect: an Affective Extension of Wordnet. International Conference on Language Resources and Evaluation, 26-28 Mayıs, Lizbon, 1083-1086.
CR  - [10]	Strapparava, C., Mihalcea, R. 2007. Semeval-2007 task 14: Affective Text. 4. International Workshop on Semantic Evaluations, 23-24 Haziran, Prag,  70-74.
CR  - [11]	Chaffar, S., Inkpen, D. 2011. Using a Heterogeneous Dataset for Emotion Analysis in Text. Conference on Artificial Intelligence, 25-27 Mayıs, St. John's, 62-67.
CR  - [12]	Kouloumpis, E., Wilson, T., Moore, J.D. 2011. Twitter Sentiment Analysis: The Good the Bad and the Omg!. 5. International Conference on Weblogs and Social Media, 17-21 Temmuz, Barselona, 538-541.
CR  - [13]	Yang, C., Lin, K. H.Y., Chen, H.H. 2007. Emotion Classification Using Web Blog Corpora. Web Intelligence Conference, 2-5 Kasım, Washington DC,  275-278.
CR  - [14]	Tocoglu, M.A., Alpkocak, A. 2018. TREMO: A Dataset for Emotion Analysis in Turkish. Journal of InformationScience.       	DOI: https://doi.org/10.1177/0165551518761014.
CR  - [15]	Manning, C.D., Raghavan, P., Schütze, H. 2008. Boolean Retrieval. Introduction to Information Retrieval, 1-18.
CR  - [16]	Can, F., Kocberber, S., Balcik, E., Kaynak, C., Ocalan, H. C., Vursavas, O. M. 2008. Information Retrieval on Turkish Texts. Journal of the American Society for Information Science and Technology, Cilt. 59, s. 407-421. DOI: https://doi.org/10.1002/asi.20750
UR  - https://doi.org/10.21205/deufmd.2019216303
L1  - https://dergipark.org.tr/tr/download/article-file/809424
ER  -