Öz
Sentiment Analysis which has the meaning of categorization of comments has been popular
since people share their ideas about the products and services that they bought. The studies
about sentiment analysis point out the importance of support vector machines (SVM) many
times. By this work, using different sentiment analysis data sets, parameter changes that effects
the performance of SVM method have been analysed and different cases that are acquired by
different experiments have been interpreted
Anahtar Kelimeler
Sentiment analysis Support vector machines Parameter optimization
Kaynakça
- Kayahan D., Sergin A., Diri B. (2013): “Twitter ile TV Program Reytinglerinin Belirlenmesi”, IEEE 21. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SIU 2013, Kıbrıs.
- Meral M., Diri B. (2014): “Twitter Üzerinden Duygu Analizi”, IEEE 22. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SIU 2014, Trabzon.
- Çetin M., Amasyalı F. (2013): “Eğiticili ve Geleneksel Terim Ağırlıklandırma Yöntemleriyle Duygu Analizi”, IEEE 21.Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SIU 2013, Kıbrıs.
- Cortes C., Vapnik V. (1995): “Support Vector Networks”, Machine Learning, Cilt 20, s.273– 297.
- Hsu C. W., Lin C. J. (2002): “A Comparison of Methods for Multiclass Support Vector Machines”, IEEE Transactions On Neural Networks, Cilt 13, No. 2, s.415-425.nalizi”, IEEE 22. Sinyal İşleme ve Kemik Doğal Dil İşleme Grubu (2014): http://www.kemik.yildiz.edu.tr/ . Kaya G. T., Kaya H. (2014): “Destek Vektör Makinaları Model Parametrelerinin Yüksek Boyutlu Model Gösterilimi ile Optimizasyonu ve Hiperspektral Görüntülere Uygulanması”, IEEE 22. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SIU 2014, Trabzon.
Öz
Kişilerin kullandıkları ürünler ve satın aldıkları hizmetler hakkındaki görüşlerini sosyal
medya üzerinden paylaşması yorumların kategorize edilmesini sağlayan duygu analizi
konusunun önem kazanmasını sağlamıştır. Duygu analizi ile ilgili çalışmalarda sınıflandırma
metodu olarak destek vektör makineleri (DVM)’nin başarılı performansı pek çok kez
vurgulanmıştır. Bu çalışma ile duygu analizinin gerçekleştirebileceği farklı veri setleri üzerinde
DVM yöntem performansını etkileyen parametre değişimlerinin sınıflandırma performansı
üzerindeki etkileri incelenmiş ve farklı deneyler sonucu elde edilen durumlar yorumlanmıştır.
Anahtar Kelimeler
Duygu analizi Destek vektör makineleri Parametre optimizasyonu
Kaynakça
- Kayahan D., Sergin A., Diri B. (2013): “Twitter ile TV Program Reytinglerinin Belirlenmesi”, IEEE 21. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SIU 2013, Kıbrıs.
- Meral M., Diri B. (2014): “Twitter Üzerinden Duygu Analizi”, IEEE 22. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SIU 2014, Trabzon.
- Çetin M., Amasyalı F. (2013): “Eğiticili ve Geleneksel Terim Ağırlıklandırma Yöntemleriyle Duygu Analizi”, IEEE 21.Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SIU 2013, Kıbrıs.
- Cortes C., Vapnik V. (1995): “Support Vector Networks”, Machine Learning, Cilt 20, s.273– 297.
- Hsu C. W., Lin C. J. (2002): “A Comparison of Methods for Multiclass Support Vector Machines”, IEEE Transactions On Neural Networks, Cilt 13, No. 2, s.415-425.nalizi”, IEEE 22. Sinyal İşleme ve Kemik Doğal Dil İşleme Grubu (2014): http://www.kemik.yildiz.edu.tr/ . Kaya G. T., Kaya H. (2014): “Destek Vektör Makinaları Model Parametrelerinin Yüksek Boyutlu Model Gösterilimi ile Optimizasyonu ve Hiperspektral Görüntülere Uygulanması”, IEEE 22. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SIU 2014, Trabzon.
Ayrıntılar
| Diğer ID | JA67DH73EC |
|---|---|
| Yazarlar | |
| Yayımlanma Tarihi | 1 Eylül 2014 |
| Yayımlandığı Sayı | Yıl 2014 Cilt: 16 Sayı: 48 |
Bu dergi, Creative Commons Atıf-GayriTicari 4.0 Uluslararası Lisansı (CC BY-NC 4.0) altında lisanslanmıştır.