SavedAdd your journal

Journals / Bilişim Teknolojileri Dergisi / 2026 / Cilt: 10 Sayı: 3

Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması

Oğuz Kaynar
Zafer Aydın
Yasin Görmez
Pages
319–326
Publication Date
2017-07-31
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Yapılan analizlerin sonucunda, boyut düşürme tekniklerinin duygu analizi için elde edilen sonuçları iyileştirdiği, önerilen oto kodlayıcı modellerinin ise var olan tekniklere benzer ya da onlardan daha iyi sonuçlar aldığı gözlemlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Günümüz teknolojisinde internetin her kesim tarafından çok yoğun olarak kullanılmasından dolayı insanlar artık görüş, fikir ve hislerini sosyal paylaşım siteleri, forum, blog benzeri birçok ortam aracılığı ile paylaşmaya başlamıştır.
📊
Key Findings & Data:Duygu düşünce analizinde, konuşma dilinin karmaşıklığı, değerlendirilen metin sayısının fazlalığı ve uzunluğu, çok sayıda gereksiz ve gürültü içeren öznitelik vektörüne neden olmaktadır.
💡
Conclusion & Impact:Yapılan analizlerin sonucunda, boyut düşürme tekniklerinin duygu analizi için elde edilen sonuçları iyileştirdiği, önerilen oto kodlayıcı modellerinin ise var olan tekniklere benzer ya da onlardan daha iyi sonuçlar aldığı gözlemlenmiştir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Boyut düşürme · Oto kodlayıcı · Yapay sinir ağları

Özet

Günümüz teknolojisinde internetin her kesim tarafından çok yoğun olarak kullanılmasından dolayı insanlar artık görüş, fikir ve hislerini sosyal paylaşım siteleri, forum, blog benzeri birçok ortam aracılığı ile paylaşmaya başlamıştır. Ancak her geçen gün artan veri sayısı ve boyutu, bu verilerden manuel olarak anlamlı bilgiler çıkartılmasını çok zahmetli ve pahalı bir iş haline getirmektedir. Otomatik olarak verinin duygu içerip içermediğinin saptanması ve bu duygunun olumlu, olumsuz veya tarafsız olma durumunun belirlenmesi duygu analizi yardımıyla gerçekleştirilmektedir. Duygu düşünce analizinde, konuşma dilinin karmaşıklığı, değerlendirilen metin sayısının fazlalığı ve uzunluğu, çok sayıda gereksiz ve gürültü içeren öznitelik vektörüne neden olmaktadır. Boyut problemi olarak adlandırılan bu durum hesaplama zamanın artmasına ve sınıflama hatalarına yol açmaktadır. Bu çalışmada ise bahsedilen problemlere çözüm olarak önerilen derin öğrenme tabanlı oto kodlayıcı (Autoencoder) modeli ile gürültü giderici oto kodlayıcı (Denoising Autoencoder) modeli boyut düşürme tekniği olarak kullanılmış ve literatürde yaygın olarak kullanılan diğer boyut düşürme teknikleri ile kıyaslanmıştır. Elde edilen tüm veri setleri için sınıflama algoritması olarak Destek Vektör Makinaları ve Yapay Sinir Ağları kullanan farklı modeller geliştirilmiştir. Yapılan analizlerin sonucunda, boyut düşürme tekniklerinin duygu analizi için elde edilen sonuçları iyileştirdiği, önerilen oto kodlayıcı modellerinin ise var olan tekniklere benzer ya da onlardan daha iyi sonuçlar aldığı gözlemlenmiştir.

🔖

Cite This Article

Kaynar, O., Aydın, Z., Görmez, Y. (2017). Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması. Bilişim Teknolojileri Dergisi, Cilt: 10 Sayı: 3, 319–326. https://doi.org/10.17671/gazibtd.331046

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (25)

  1. J. Li and M. Sun, “Experimental Study on Sentiment Classification of Chinese Review using Machine Learning Techniques,” International Conference on Natural Language Processing and Knowledge Engineering, 2007, pp. 393–400
  2. G. Alec, R. Bhayani, and L. Huang, “Twitter Sentiment Classification using Distant Supervision.” 2009
  3. K. Mouthami, K. N. Devi, and V. M. Bhaskaran, “Sentiment analysis and classification based on textual reviews,” International Conference on Information Communication and Embedded Systems (ICICES), 2013, pp. 271–276
  4. V. K. Singh, R. Piryani, A. Uddin, P. Waila, and Marisha, “Sentiment Analysis of Textual Reviews,” The 5 th International Conference on Knowledge and Smart Technology, 2013
  5. G. Gautam and D. Yadav, “Sentiment analysis of twitter data using machine learning approaches and semantic analysis,” Seventh International Conference on Contemporary Computing (IC3), 2014, pp. 437–442
  6. H. Nizam and S. S. Akın, “Sosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması,” XIX. Türkiye’de İnternet Konferansı, 2014
  7. Ö. Çoban, B. Özyer, and G. T. Özyer, “Sentiment analysis for Turkish Twitter feeds,” 23nd Signal Processing and Communications Applications Conference (SIU), 2015, pp. 2388–2391
  8. J. Kranjc, J. Smailović, V. Podpečan, M. Grčar, M. Žnidaršič, and N. Lavrač, “Active learning for sentiment analysis on data streams: Methodology and workflow implementation in the ClowdFlows platform,” Inf. Process. Manag., vol. 51, no. 2, pp. 187–203, Mar. 2015
  9. A. Tripathy, A. Agrawal, and S. K. Rath, “Classification of sentiment reviews using n-gram machine learning approach,” Expert Syst. Appl., vol. 57, pp. 117–126, Eylül 2016
  10. V. Rohini, M. Thomas, and C. A. Latha, “Domain based sentiment analysis in regional Language-Kannada using machine learning algorithm,” IEEE International Conference on Recent Trends in Electronics, Information Communication Technology (RTEICT), 2016, pp. 503–507
  11. R. Xia, C. Zong, and S. Li, “Ensemble of feature sets and classification algorithms for sentiment classification,” Inf. Sci., vol. 181, no. 6, pp. 1138–1152, Mar. 2011
  12. M. S. Neethu and R. Rajasree, “Sentiment analysis in twitter using machine learning techniques,” Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT), 2013, pp. 1–5
  13. E. Fersini, E. Messina, and F. A. Pozzi, “Sentiment analysis: Bayesian Ensemble Learning,” Decis. Support Syst., vol. 68, pp. 26–38, Aralık 2014
  14. N. F. F. da Silva, E. R. Hruschka, and E. R. Hruschka Jr., “Tweet sentiment analysis with classifier ensembles,” Decis. Support Syst., vol. 66, pp. 170–179, Ekim 2014
  15. C. Catal and M. Nangir, “A sentiment classification model based on multiple classifiers,” Appl. Soft Comput., vol. 50, pp. 135–141, Ocak 2017
  16. S. Tan and J. Zhang, “An empirical study of sentiment analysis for chinese documents,” Expert Syst. Appl., vol. 34, no. 4, pp. 2622–2629, May 2008
  17. A. GO, L. Huang, and R. Bhayani, “Twitter Sentiment Analysis.” 2009
  18. M. Meral and B. Diri, “Sentiment analysis on Twitter,” 22nd Signal Processing and Communications Applications Conference (SIU), 2014, pp. 690–693
  19. G. Vinodhini and R. M. Chandrasekaran, “Effect of Feature Reduction in Sentiment analysis of online reviews,” Int. J. Adv. Res. Comput. Eng. Technol., vol. 2, no. 6, 2013
  20. A. Yousefpour and H. N. Hamed, “A Novel Feature Reduction Method in Sentiment Analysis,” Int. J. Innov. Comput., 2014
  21. K. Kim and J. Lee, “Sentiment visualization and classification via semi-supervised nonlinear dimensionality reduction,” Pattern Recognit., vol. 47, no. 2, pp. 758–768, ubat 2014
  22. L. B. Shyamasundar and P. J. Rani, “Twitter sentiment analysis with different feature extractors and dimensionality reduction using supervised learning algorithms,” IEEE Annual India Conference (INDICON), 2016, pp. 1–6
  23. P. Baldi, “Autoencoders, Unsupervised Learning, and Deep Architectures,” Workshop on Unsupervised and Transfer Learning, 2012
  24. D. E. Rumelhart, G. E. Hinton, and R. J. Williams, “Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1,” D. E. Rumelhart, J. L. McClelland, and C. PDP Research Group, Eds. Cambridge, MA, USA: MIT Press, 1986, pp. 318–362
  25. Movie Review Data: https://www.cs.cornell.edu/people/ pabo/movie-review-data/, 01.03.2017.