Sosyal Medya Verileri için Etkili Bir Sınıflandırma Yaklaşımı

Yıl 2017, Cilt: 29 Sayı: 2, 67 - 73, 01.10.2017

Fatih Ertam

Öz

Sosyal medyanın kullanım oranlarının hızlı bir şekilde artması, sosyal medya madenciliği kavramının gelişmesine sebep olmuştur. Günümüzde sosyal medya araçlarından birisi olan Facebook, kullanıcı sayısı ve günlük aktivite açısından diğer sosyal medya araçlarına göre lider konumdadır. Bu çalışmada Facebook verilerinden oluşturulmuş bir veri seti üzerinde sınıflandırıcı modelleri uygulanarak etkili bir sınıflandırıcı modeli seçilmeye çalışılmıştır. Sınıflandırıcı modelleri olarak bayes ağ, çok katmanlı algılayıcı ağlar, ardışık minimal optimizasyon ve uç öğrenme makinesi kullanılmıştır. Uç öğrenme makinesi içerisinde kullanılan gizli katman hücre sayısının seçimi için bir ile yüz arasında ki tüm değerler alınarak birden fazla aktivasyon fonksiyonu ile çalışma yapılmıştır. Sosyal medya madenciliği yapılabilmesi için etkili ve hızlı bir sınıflandırıcı yöntemi önerilmeye çalışılmıştır.

Anahtar Kelimeler

Sosyal Medya Madenciliği, Makine Öğrenmesi, Uç Öğrenme Makineleri, Sınıflandırma Modelleri

Kaynakça

• 1.Kaplan, A. M. ve Haenlein, M. (2010). “Users of the world, unite! The challenges and opportunities of Social Media”, Bus. Horiz., 53, sayı 1, ss. 59–68.
• 2. Statista, (2016). “Number of Worldwide Social Network Users 2010-2019”, Statista, [Çevrimiçi].http://www.statista.com/statistics/278414/number-of-worldwide-social-network-users/.
• 3. Statista (2016). “Facebook users worldwide 2016”, statista.com, [Çevrimiçi]. http://www.statista.com/statistics/264810/number-of-monthly-active-facebook-users-worldwide/.
• 4. Korschun D. ve Du, S. (2013). “How virtual corporate social responsibility dialogs generate value: A framework and propositions”, J. Bus. Res., 66, sayı 9, ss. 1494–1504.
• 5. Mangold W. G. ve Faulds D. J. (2009). “Social media: The new hybrid element of the promotion mix”, Bus. Horiz., 52, sayı 4, ss. 357–365.
• 6. Turban E., Sharda R. ve Delen D. (2011). Decision Support and Business Intelligence Systems, 8th.
• 7. Zafarani, R., Abbasi, M. A. ve Liu H. (2014). Social Media Mining. Cambridge: Cambridge University Press.
• 8. U. M. L. Repository (2016). “Facebook metrics Data Set”, www.ics.uci.edu.
• 9. Moro, S., Rita, P. ve Vala, B. (2016). “Predicting social media performance metrics and evaluation of the impact on brand building: A data mining approach”, J. Bus. Res., 69, sayı 9, ss. 3341–3351.
• 10. Friedman, N., Geiger, D. ve Goldszmidt, M. (1997). “Bayesian Network Classifiers”, Mach. Learn., 29, ss. 131–163.
• 11. Platt, J. C. (1998). “Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines”, Adv. kernel methods, ss. 185–208.
• 12. Rumelhart, D. E., Hinton, G. E. ve Williams, R. J. (1986). “Learning representations by back-propagating errors”, Nature, 323, sayı 6088, ss. 533–536.
• 13. Huang, G., Zhu, Q. ve Siew, C. (2004). “Extreme Learning Machine : A New Learning Scheme of Feedforward Neural Networks”, IEEE Int. Jt. Conf. Neural Networks, 2, ss. 985–990.
• 14. Huang, G.-B., Zhu, Q. ve Siew C. (2006). “Extreme learning machine: Theory and applications”, Neurocomputing, 70, sayı 1–3, ss. 489–501.
• 15. Huang, G. Bin., Wang, D. H. ve Lan, Y. (2011). “Extreme learning machines: A survey”, Int. J. Mach. Learn. Cybern., 2, sayı 2, ss. 107–122.
• 16. Ertam F. ve Avcı, E. (2017). “A new approach for internet traffic classification: GA-WK-ELM”, Measurement, 95, ss. 135–142.