A deep learning approach for assessing consumer sentiment in amazon dataset

Öz

This study investigates the effectiveness of machine learning techniques in consumer sentiment analysis using Amazon product reviews. The main objective of the study is to use machine learning models to evaluate and predict the correspondence between textual reviews and the corresponding star ratings. In addition to classical machine learning algorithms such as Support Vector Machine, Decision Tree and K-Nearest Neighbor, deep learning algorithm such as Long Short-Term Memory is also used in the study. The performances of these models are compared and the impact of the number of hidden layers on the accuracy of deep learning models is analyzed. The findings of the study demonstrate the effectiveness of Long Short-Term Memory networks in handling the complexities of natural language in consumer reviews. The Long Short-Term Memory model performed best on the test dataset with an accuracy of 98%. In contrast, the Decision Tree model performed the worst with an accuracy of 77.8%. These results provide important insights into the effectiveness of different machine learning techniques in sensitivity analysis. Furthermore, these results provide an important foundation for future research in this rapidly evolving field.

Anahtar Kelimeler

• Consumer sentiment analysis
• Deep learning
• Long short-term memory
• Amazon
• Machine learning

Amazon veri setinde tüketici duygularını değerlendirmek için derin öğrenme yaklaşımı

Öz

Bu çalışmada, Amazon ürün yorumları kullanılarak tüketici duyarlılık analizinde makine öğrenmesi tekniğinin etkinliği araştırılmıştır. Çalışmanın ana hedefi, metinsel yorumlarla ilgili yıldız puanlamaları arasındaki uyumu değerlendirmek ve bu uyumu tahmin etmek için makine öğrenimi modellerini kullanmaktır. Çalışmada, Destek Vektör Makinesi, Karar Ağacı ve K-En Yakın Komşu gibi makine öğrenmesi algoritmalarının yanı sıra Uzun Kısa Süreli Bellek gibi derin öğrenme algoritması da kullanılmıştır. Bu modellerin performansları karşılaştırılmış ve derin öğrenme modellerinde gizli katman sayısının doğruluk üzerindeki etkisi analiz edilmiştir. Çalışmanın bulguları, Uzun Kısa Süreli Bellek ağlarının tüketici yorumlarındaki doğal dilin karmaşıklıklarını ele almadaki etkinliğini göstermektedir. Uzun Kısa Süreli Bellek modeli, %98'lik doğruluk oranı ile test veri setinde en iyi performansı sergilemiştir. Buna karşın Karar Ağacı modeli, %77.8'lik doğruluk oranı ile en düşük performansı sergilemiştir. Bu sonuçlar, farklı makine öğrenmesi tekniklerinin duyarlılık analizindeki etkinliğine dair önemli fikirler sağlamaktadır. Ayrıca, bu sonuçlar hızla gelişen bu alanda gelecekteki araştırmalar için de önemli bir temel oluşturmaktadır.

Anahtar Kelimeler

• Tüketici duyarlılık analizi
• Derin öğrenme
• Uzun kısa süreli bellek
• Amazon
• Makine öğrenmesi

Kaynakça

1. [1] Wu F, Shi Z, Dong Z, Pang C, Zhang B. “Sentiment analysis of online product reviews based on SenBERT-CNN”. International Conference on Machine Learning and Cybernetics (ICMLC), Adelaide, Australia, 02 December 2020.
2. [2] Soleymani M, Garcia D, Jou B, Schuller B, Chang SF, Pantic M. “A survey of multimodal sentiment analysis”. Image Vis Comput, 65, 3-14, 2017.
3. [3] Le VQ, Mikolov T. “Distributed Representations of Sentences and Documents”. arXiv, 2018. https://arxiv.org/pdf/1405.4053.pdf.
4. [4] Du J, Rong J, Michalska S, Wang H, Zhang Y. “Feature selection for helpfulness prediction of online product reviews: An empirical study”. PLoS One, 14(12), e0226902, 2019.
5. [5] Askalidis G, Malthouse EC. “The value of online customer reviews”. 10th ACM Conference on Recommender Systems, Boston, MA, USA, 15-19 September 2016.
6. [6] Joseph RPS. Amazon Reviews Sentiment Analysis: A Reinforcement Learning Approach. MSc Thesis. Griffith College, Dublin, Ireland, 2020.
7. [7] Shrestha N, Nasoz F. “Deep learning sentiment analysis of amazon.com reviews and ratings”. International Journal on Soft Computing, Artificial Intelligence and Applications (IJSCAI), 8(1), 1-15, 2019.
8. [8] Gope JC, Tabassum T, Mabrur MM, Yu K, Arifuzzaman M. “Sentiment analysis of amazon product reviews using machine learning and deep learning models”. International Conference on Advancement in Electrical and Electronic Engineering, ICAEEE 2022, Gazipur, Bangladesh, 24-26 February 2022.

9. [9] Wedjdane N, Khaled R, Okba K. “Better decision making with sentiment analysis of amazon reviews”. International Conference on Information Systems and Advanced Technologies (ICISAT), Tebessa, Algeria, 27-28 December 2021.
10. [10] AlZu’bi S, Alsmadiv A, AlQatawneh S, Al-Ayyoub M, Hawashin B, Jararweh Y. “A brief analysis of amazon online reviews”. Sixth International Conference on Social Networks Analysis, Management and Security (SNAMS), Granada, Spain, 22-25 October 2019.
11. [11] Norinder U, Norinder P. “Predicting amazon customer reviews with deep confidence using deep learning and conformal prediction”. Journal of Management Analytics, 9(1), 1-16, 2022.
12. [12] Paknejad S. “Sentiment classification on Amazon reviews using machine learning approaches”. KTH Royal Institute of Technology, Stockholm, Sweeden, Degree Project in Technology, DD142X, 2018.
13. [13] Hamdallah AR. Amazon Reviews Using Sentiment Analysis. MSc Thesis. Rochester Institute of Technology, Dubai, 2021.
14. [14] Meenakshi, Banerjee A, Intwala N, Sawant V. Sentiment Analysis of Amazon Mobile Reviews. Editors: Tuba M, Akashe S, Joshi A. ICT Systems and Sustainability, 43-52, Singapore, Springer Singapore, 2020.
15. [15] Richardson L, “Beautiful Soup Documentation”. https://www.crummy.com/software/BeautifulSoup/bs4/doc/ (10.02.2025).
16. [16] Athanasiou V, Maragoudakis M, Kermanidis KL, Makris C, Mylonas P, Sioutas S. “A novel, gradient boosting framework for sentiment analysis in languages where NLP resources are not plentiful: a case study for modern greek”. Algorithms, 10(1), 34, 2017.
17. [17] Gündüz AB, Yavuz AG. “Comparative analysis of word vectoring methods for malware detection”. 29th Signal Processing and Communications Applications Conference (SIU), İstanbul, Türkiye, 09-11 June 2021.
18. [18] Salur MU, Aydın İ, Jamous M. “An ensemble approach for aspect term extraction in Turkish texts”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 28(5), 769-776, 2022.
19. [19] Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning: Data Minin, Inference, and Prediction. 2nd ed. New York, USA, Springer, 2009.
20. [20] Brownlee J. Machine Learning Mastery with Python: Understand Your Data, Create Accurate Models, and Work Projects End-to-End. v1.20 ed. Melbourne, Australia, Independently Published, 2021.
21. [21] Karakış R. Destek Vektör Makinesi. Editors: Savaş S, Buyrukoğlu S. Teori ve Uygulamada Makine Öğrenmesi, 93-118, Ankara, Türkiye, Nobel Akademik Yayıncılık Eğitim Danışmanlık Tic. Ltd. Şti., 2022.
22. [22] Güler O. “Turbofan motorlarının kestirimci bakımında makine öğrenimi algoritmaları performanslarının karşılaştırılması”. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 13(1), 99-106, 2024.
23. [23] Tuğal İ. Karar Ağaçları. Editors: Savaş S, Buyrukoğlu S. Teori ve Uygulamada Makine Öğrenmesi, 119-148, Ankara, Türkiye, Nobel Akademik Yayıncılık Eğitim Danışmanlık Tic. Ltd. Şti., 2022.
24. [24] Yavuz ÖÇ, Calp MH, Erkengel HC. “Prediction of breast cancer using machine learning algorithms on different datasets”. Ingeniería Solidaria, 19(1), 1-32, 2023.
25. [25] Bütüner R, Calp MH. K-En Yakın Komşu Algoritması. Editors: Savaş S, Buyrukoğlu S. Teori ve Uygulamada Makine Öğrenmesi, 223-250, Ankara, Türkiye, Nobel Akademik Yayıncılık Eğitim Danışmanlık Tic. Ltd. Şti., 2022.
26. [26] Bilen B, Horasan F. “LSTM Network based Sentiment analysis for customer reviews”. Politeknik Dergisi, 25(3), 959-966, 2022.
27. [27] Zeybel Peköz A, İnkaya T. “Derin öğrenme ile talep tahmini: Bir üçüncü parti lojistik firması için COVID-19 döneminde vaka analizi”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 29(4), 331-339, 2023.
28. [28] Horasan F, Yurttakal AH, Gündüz S. “A novel model based collaborative filtering recommender system via truncated ULV decomposition”. Journal of King Saud University- Computer and Information Sciences, 35(8), 101724, 2023.
29. [29] Ayan E. “Using a convolutional neural network as feature extractor for different machine learning classifiers to diagnose pneumonia”. Sakarya University Journal of Computer and Information Sciences, 5(1), 48-61, 2022.