Twitter'daki Verilere Metin Madenciliği Yöntemlerinin Uygulanması

Yıl 2020, Cilt: 1 Sayı: 2, 10 - 13, 30.06.2020

Hatice Kübra Küçükkartal

Öz

Sosyal medya insanların birbirleriyle iletişimini daha etkileşimli hale getirmiştir. Bu etkileşimler sayesinde çok büyük miktarlarda veriler üretilmektedir. Bu sayede gün geçtikçe artan verilerin işlenmesi ve analiz edilmesine yönelik ihtiyaçlar ortaya çıkmaktadır. Bu çalışmanın amacı, sosyal medya platformu olan twitter üzerinden insanların tartıştığı konular hakkında fikir sahibi olmaktır. İnsanların görüşlerinin sonuçlarını göstermek metin madenciliği konusunda alt yapı oluşturmak ve veri görselleştirme yöntemleriyle de verileri daha anlamlı hale getirmek istenmiştir. Bu çalışmada Twitter üzerinden toplanan verilere metin madenciliği yöntemleri uygulanmıştır. Metin madenciliğini, veri bilimi ve veri görselleştirme araçlarıyla birleştirerek veriler kolay anlaşılır hale getirilmiştir. Duygu analizi ile insanların yaptıkları paylaşımların pozitif, negatif veya nötr olma durumu analiz edilmiştir.

Anahtar Kelimeler

Sosyal Medya, Metin Madenciliği, Veri Madenciliği, Veri Görselleştirme, Duygu Analizi

Applying Text Mining Methods to Twitter Data

Öz

Social media has made people's communication more interactive. Thanks to these interactions, huge amounts of data are produced. In this way, the needs for processing and analyzing increasing data are emerging. The aim of this study is to have an idea about the issues that people discuss via the social media platform twitter. It was aimed to show the results of people's opinions, to create a substructure on text mining and to make the data more meaningful with data visualization methods. In this study, text mining methods were applied to the data collected on Twitter. By combining text mining with data science and data visualization tools, data is made easy to understand. Sentiment analysis was used to analyze whether people's posts were positive, negative or neutral.

Anahtar Kelimeler

Social Media, Text Mining

Kaynakça

• [1] İnternet: H.,Takcı, Metin Madenciliği Çerçevesi, , http:// verimadencisi.blogspot.com/2012/10/metin-madenciligi-cercevesi.html, (Erişim Tarihi: 20.01.2020)
• [2] İnternet: Doğal Dil İşleme, https://tr.wikipedia.org/wiki/Doğal_dil_işleme, (Erişim Tarihi: 20.01.2020)
• [3] İnternet: Veri Madenciliği, https://tr.wikipedia.org/wiki/Veri_madenciliği, (Erişim Tarihi: 20.01.2020)
• [4] İnternet: TWEEPY Kütüphanesi, http://www. tweepy.org/, (Erişim Tarihi: 20.12.2019)
• [5] İnternet: PANDAS Kütüphanesi, https://pandas.pydata.org/, (Erişim Tarihi: 20.12.2019)
• [6] İnternet: MATPLOTLİB Kütüphanesi, https://matplotlib.org/, (Erişim Tarihi: 20.12.2019)
• [7] İnternet: SEABORN Kütüphanesi, https://seaborn.pydata.org/, (Erişim Tarihi: 20.12.2019)
• [8] İnternet: WORDCLOUD Kütüphanesi, https://anaconda.org/conda-forge/wordcloud, (Erişim Tarihi: 20.12.2019)
• [9] İnternet: TEXTBLOB Kütüphanesi, https://anaconda.org/conda-forge/textblob, (Erişim Tarihi: 20.12.2019)
• [10] İnternet: NLTK Kütüphanesi, https://www.nltk.org/, (Erişim Tarihi: 20.12.2019)
• [11] İnternet: SCİKİT-LEARN Kütüphanesi, https://scikit-learn.org/, (Erişim Tarihi: 20.12.2019)
• [12] İnternet: Metin Madenciliği, https://tr.wikipedia.org/wiki/Metin_madenciliği/, (Erişim Tarihi: 22.01.2020)
• [13] İnternet: Metin Madenciliği (Text Mining) Nedir, https://www.vtunali.com/tr/index.php/2009/10/metin-madenciligi-text-mining-nedir/, (Erişim Tarihi: 22.01.2020)
• [14] İnternet: Onur, D. 2015. Term Frequency. https://medium.com/algorithms-data-structures/tf-idf-term-frequency-inverse-document-frequency-53feb22a17c6, (Erişim Tarihi: 22.01.2020)
• [15] İnternet: Onur, D. 2015. Inverse Term Frequency. https://medium.com/algorithms-data-structures/tf-idf-term-frequency-inverse-document-frequency-53feb22a17c6, Erişim Tarihi: 22.01.2020)
• [16] İnternet: Hüseyin, D. 2014. Kelime Bulutu. https://huseyindemirtas.net/kelime-bulutu/, (Erişim Tarihi: 22.01.2020)