Detecting terror threat elements using natural language processing

Abstract

In today's world, making millions of data understandable has become important. To take faster steps in criminal matters, especially by using these data, data analysis should be done quickly. In this context, sentiment analysis performed with the natural language processing (NLP) method of artificial intelligence enables the elimination of possible loss of life and property. In addition, by listening to all radio frequencies at the same time in possible terror areas, the attacks of terror organizations can be analyzed with natural language processing methods, so that the attack can be prevented before it takes place. In this study, natural language processing methods of artificial intelligence were used in the analysis of text, audio, and image data in the virtual environment for the detection of terror threat elements. In this way, it is aimed to ensure the healthy intervention of law enforcement officers and the security of life by analyzing the talks of terror elements in terror zones. For this purpose, an 85% accuracy rate was reached with the word/sentence vector creation method GloVe in the first model created with the Spark NLP library on textual data. In addition, a 74% accuracy rate was achieved with the LSTM method on audio data, while a 71% accuracy rate was achieved with the GRU method on visual data.

Keywords

• deep learning
• natural language processing
• data preprocessing
• feature extraction
• classification methods
• terror-threat elements

References

1. [1] Türkiye Cumhuriyeti Cumhurbaşkanlığı, “Dijital Dönüşüm Ofisi.” https://cbddo.gov.tr/sss/yapay-zeka/ (accessed May. 25, 2022).
2. [2] Ç. Ballı, “Doğal dil işleme ile Türkçe içerikli paylaşımlardan sosyal medya kullanıcılarının duygu analizi,” Yüksek Lisans Tezi, Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı, Ankara, 2021.
3. [3] L. Deng and D. Yu, “Deeplearning: methods and applications,” Foundations and Trends in Signal Processing, vol. 7, no. 3-4, pp. 197–387, 2014, doi: 10.1561/2000000039.
4. [4] D. Küçük and N. Arıcı, “Doğal dil işlemede derin öğrenme uygulamaları üzerine bir literatür çalışması,” Uluslararası Yönetim Bilişim Sistemleri ve Bilgisayar Bilimleri Dergisi, vol. 2, no. 2, pp. 76–86, 2018.
5. [5] S. E. Seker, “Duygu Analizi (Sentimental Analysis),” YBS Ansiklopedi, vol. 3, no. 3, pp. 21–36, 2016.
6. [6] S. Tuzcu, “Çevrimiçi Kullanıcı Yorumlarının Duygu Analizi ile Sınıflandırılması,” Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, vol. 1, no. 2, pp. 1–5, 2020.
7. [7] N. İlhan and D. Sağaltıcı, “Twitter'da duygu analizi,” Harran Üniversitesi Mühendislik Dergisi, vol. 5, no. 2, pp. 146–156, 2020, doi: 10.46578/humder.772929.
8. [8] Ş. Ş. Yilmaz, İ. Özer and H. Gökçen, “Türkçe metinlerde derin öğrenme yöntemleri kullanılarak duygu analizi,” In International Symposium of Scientific Research and Innovative Studies, vol. 22, pp. 971–982, Feb 2021.

9. [9] M. C. Yılmaz and Z. Orman, “LSTM Derin Öğrenme Yaklaşımı ile Covid-19 Pandemi Sürecinde Twitter Verilerinden Duygu Analizi,” ActaInfologica, vol. 5, no. 2, pp. 359–372, 2021, doi: 10.26650/acin.947747.
10. [10] H. E. Ekim and A. B. İnner, “Duygu analizi ve fikir madenciliği uygulamaları üzerine literatür taraması,” Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, vol. 24, no. 2, pp. 93–114, 2021.
11. [11] E. A. Yurt, “Türkçe metinlerde duygu analizi,” Yüksek Lisans Tezi, Maltepe Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı, İstanbul, 2015.
12. [12] B. Bostancı and A. Albayrak, “Duygu analizi ile kişiye özel içerik önermek,” Veri Bilimi, vol. 4, no. 1, pp. 53–60, 2021.
13. [13] H. Polat and A. Yılmaz, “Tripadvisor kullanıcılarının Türkçe ve İngilizce yorumları kapsamında duygu analizi yöntemlerinin karşılaştırmalı analizi,” Abant Sosyal Bilimler Dergisi, vol. 22, no. 2, pp. 901–916, 2022, doi: 10.11616/asbi.1103992.
14. [14] Y. Atlı and N. İlhan, “Duygu Analizi İçin Yeni Bir Sözlük; NAYALex Duygu Sözlüğü,” Avrupa Bilim ve Teknoloji Dergisi, vol. 27, pp. 1050–1060, 2021, doi: 10.31590/ejosat.974886.
15. [15] A. Albayrak, “Doğal dil işleme teknikleri kullanılarak disiplinler arası lisansüstü ders içeriği hazırlanması,” Bilişim Teknolojileri Dergisi, vol. 12, no. 4, pp. 373–383, 2020, doi: 10.17671/gazibtd.714447.
16. [16] M. Toğaçar, K. A. Eşidir and B. Ergen, “Yapay Zekâ Tabanlı Doğal Dil İşleme Yaklaşımını Kullanarak İnternet Ortamında Yayınlanmış Sahte Haberlerin Tespiti,” Journal of Intelligent Systems: Theory and Applications, vol. 5, no. 1, pp. 1–8, 2021, doi: 10.38016/jista.950713.
17. [17] M. Canım, “Eski Dilde Kullanılan Sözcükler Arasındaki Anlamsal Yakınlıkların Doğal Dil İşleme Yöntemleriyle Tespiti,” Gümüşhane Üniversitesi Fen Bilimleri Dergisi, vol. 9, no. 3, pp. 536–546, 2019, doi: 10.17714/gumusfenbil.514154.
18. [18] R. Kontuk and M. Turan, “NLP Kullanılarak Haberlerin Yaş Gruplarına Göre Sınıflandırılması,” Gazi University Journal of SciencePart C: Design and Technology, vol. 8, no. 2, pp. 372–382, 2020, doi: 10.29109/gujsc.686177.
19. [19] A. Dayan and A. Yılmaz, “Doğal dil işleme ve derin öğrenme algoritmaları ile makine dili modellemesi,” Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, vol. 13, no. 3, pp. 467–475, 2022, doi: 10.24012/dumf.1131565.
20. [20] N. Aksoy, “Türkçe dilinde yapılmış açık uçlu sınavların doğal dil işleme ile otomatik olarak değerlendirilmesi,” Yüksek Lisans Tezi, Balıkesir Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı, Balıkesir, 2021.
21. [21] K. Oflazer, “Türkçe ve doğal dil işleme,” Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, vol. 5, no. 2, 2016.
22. [22] A. Delibas, “Doğal dil işleme ile Türkçe yazım hatalarının denetlenmesi,” Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı, İstanbul, 2008.
23. [23] Kaggle, “Hate Speech and Offensive Language Dataset.” https://www.kaggle.com/datasets/mrmorj/hate-speech-and-offensive-language-dataset/ (accessed May. 10, 2023).
24. [24] Colab, “Google Colaboratory.” https://colab.research.google.com (accessed Apr. 20, 2023).
25. [25] Kaggle, “Speech Emotion Recognition using LSTM.” https://www.kaggle.com/code/blitzapurv/speech-emotion-recognition-using-lstm/input/ (accessed May. 20, 2023).
26. [26] Cocodataset, “COCO dataset.” https://cocodataset.org/#download/ (accessed May. 25, 2023).
27. [27] Ekinlaw, “Tehdit Suçu Nedir? Şartları Ve Cezası Neler?.” https://www.ekinlaw.com/tehdit-sucu-nedir-sartlari-ve-cezasi-neler/ (accessed Jun. 6, 2023).
28. [28] Dentiss, “Doktora Tehdit Cezasız Kalmadı.” https://www.dentiss.com/doktora-tehdit-cezasiz-kalmadi-y2924.html (accessed Jul. 6, 2023).