SavedAdd your journal

Journals / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2020 / Cilt: 32 Sayı: 2

Derin Öğrenme ve Aşağı Örnekleme Yaklaşımları Kullanılarak Duygu Sınıflandırma Performansının İyileştirilmesi

Yunus Santur(FIRAT ÜNİVERSİTESİ)0000-0002-8942-4605
Pages
561–570
Publication Date
2020-09-24
🏛️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)

Sunulan yaklaşım ile yanlış pozitif oranı % 69’dan % 90’a, doğruluk değeri ise % 95.5’ten % 99’a iyileştirilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:: Bir metnin hangi duygu sınıfına ait olduğunu bulma problemi duygu sınıflandırma olarak bilinmektedir.
📊
Key Findings & Data:Böylece müşteri memnuniyetini ölçme, reklam ve içerik önerme gibi birçok farklı amaçla kullanılabilmektedir.
💡
Conclusion & Impact:Sunulan yaklaşım ile yanlış pozitif oranı % 69’dan % 90’a, doğruluk değeri ise % 95.5’ten % 99’a iyileştirilmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Derin Öğrenme · Metin Sınıflandırma · Yinelenen Sinir Ağları

Özet

: Bir metnin hangi duygu sınıfına ait olduğunu bulma problemi duygu sınıflandırma olarak bilinmektedir. Bu işlemin otomatize bir şekilde yapılması çevrimiçi ortamda büyük miktarda verinin çok kısa sürelerde analiz edilebilmesine olanak sağlamaktadır. Böylece müşteri memnuniyetini ölçme, reklam ve içerik önerme gibi birçok farklı amaçla kullanılabilmektedir. E-ticaret uygulamalarında duygu sınıflandırma için kullanıcı yorumlarının yanı sıra, memnuniyet derecesini ölçen sayısal bir puanlama ya da duygu durumunu kategorik bir değişken olarak ifade edecek bir değişkene daha ihtiyaç duyulmaktadır. Bu sayede etiketli verilerden oluşan veri seti üzerinde denetimli öğrenme ile model oluşturulmaktadır. Burada yaşanan bir dezavantaj kullanıcıların bir üründen çoğunlukla memnun olmaları ya da tam tersi şikâyetçi olmalarıdır. Bu durumda oluşan veri seti dengesiz olmaktadır. Bu çalışmada Türk e-ticaret platformu Hepsiburada firmasına ait 243 bin kullanıcı yorumundan oluşan veri seti kullanılmıştır. Dengesiz olan bu veri setinde, sınıflandırma performansının iyileştirilmesi için derin öğrenme algoritmaları kullanılmış ve dengesiz veri seti yaklaşımı sunulmuştur. Sunulan yaklaşım ile yanlış pozitif oranı % 69’dan % 90’a, doğruluk değeri ise % 95.5’ten % 99’a iyileştirilmiştir.

🔖

Cite This Article

Santur, Y. (2020). Derin Öğrenme ve Aşağı Örnekleme Yaklaşımları Kullanılarak Duygu Sınıflandırma Performansının İyileştirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 32 Sayı: 2, 561–570. https://doi.org/10.35234/fumbd.759131

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (30)

  1. Collobert R, Weston J, Bottou L, Karlen M, Kavukcuoglu K, Kuksa P. Natural language processing (almost) from scratch. Journal of machine learning research 2011; 12, 2493-2537
  2. Young T, Hazarika D, Poria S, Cambria, E. Recent trends in deep learning based natural language processing. ieee Computational intelligenCe magazine 2018; 13(3), 55-75
  3. Goldberg Y. Neural network methods for natural language processing. Synthesis Lectures on Human Language Technologies 2017; 10(1), 1-309
  4. Zhuang H, Wang C, Li C, Wang Q, Zhou, X. Natural language processing service based on stroke-level convolutional networks for Chinese text classification. In 2017 IEEE Int. Conf. on Web Services, 25-30 June, HI, USA, pp. 404-411
  5. Young T, Hazarika D, Poria S, Cambria E. Recent trends in deep learning based natural language processing. ieee Computational intelligenCe magazine 2018; 13(3), 55-75
  6. N11 [Internet] [2020],Available: https:/www.n11.com [7] Feldman, R. Techniques and applications for sentiment analysis. Communications of the ACM, 56(4), 82-89
  7. Neri, F, Aliprandi, C, Capeci, F, Cuadros, M, By, T. Sentiment Analysis on Social Media. ASONAM, 12, 919-926
  8. Alaei, A. R, Becken, S, Stantic, B. Sentiment analysis in tourism: capitalizing on big data. Journal of Travel Research, 58(2), 175-191
  9. Abualigah, L, Alfar, H. E, Shehab, M, Hussein, A. M. A. Sentiment Analysis in Healthcare: A Brief Review. In Recent Advances in NLP: The Case of Arabic Language, (pp. 129-141). Springer, Cham
  10. Tubishat, M, Abushariah, M. A, Idris, N, Aljarah, I. Improved whale optimization algorithm for feature selection in Arabic sentiment analysis. Applied Intelligence, 49(5), 1688-1707
  11. Yousif, A, Niu, Z, Tarus, J. K, Ahmad, A. A survey on sentiment analysis of scientific citations. Artificial Intelligence Review, 52(3), 1805-1838
  12. Derakhshan, A, Beigy, H. Sentiment analysis on stock social media for stock price movement prediction. Engineering Applications of Artificial Intelligence, 85, 569-578
  13. Santur Y. Sentiment Analysis Based on Gated Recurrent Unit. In 2019 International Artificial Intelligence and Data Processing Symposium (IDAP),21-22 Sep. Malatya, Turkey, pp. 1-5
  14. Kulkarni A, Shivananda A. Converting text to features. In Natural Language Processing Recipes, Apress, Berkeley, CA. 2019; 67-96
  15. Arroyo-Fernández I, Méndez-Cruz C. F, Sierra G, Torres-Moreno J. M, Sidorov, G. Unsupervised sentence representations as word information series: Revisiting TF–IDF. Computer Speech & Language 2019; 56, 107-129
  16. Song Y. MIHNet: Combining N-gram, Sequential and Global Information for Text Classification. In Journal of Physics: Conference Series 2020; 1453, 012156
  17. Mikolov T, Chen K, Corrado G, Dean J. Efficient estimation of word representations in vector space. arXiv preprint arXiv:2013; 1301.3781
  18. Guo D, Wang Q, Liang M, Liu W, Nie, J. Molecular Cavity Topological Representation for Pattern Analysis: A NLP Analogy-Based Word2Vec Method. International Journal of Molecular Sciences 2019; 20(23), 6019
  19. Joulin A, Grave E, Bojanowski P, Douze M, Jégou H, Mikolov T.Fasttext. zip: Compressing text classification models. arXiv preprint arXiv:2016; 1612.03651
  20. Pennington J, Socher R, Manning C. D. Glove: Global vectors for word representation. In Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP), 25-29 Oct., Doha, Qatar, pp.1532-1543
  21. LeCun Y, Bengio Y, Hinton G. Deep learning. Natüre 2015; 521(7553), 436-444
  22. He T, Huang W, Qiao Y, Yao J. Text-attentional convolutional neural network for scene text detection. IEEE transactions on image processing 2016; 25(6), 2529-2541
  23. Lukoševičius M, Jaeger H. Reservoir computing approaches to recurrent neural network training. Computer Science Review 20019; 3(3), 127-149
  24. Song S, Huang H, Ruan T. Abstractive text summarization using LSTM-CNN based deep learning. Multimedia Tools and Applications 2019; 78(1), 857-875
  25. Hochreiter S, Schmidhuber J. Long short-term memory. Neural computation 1997; 9(8), 1735-1780
  26. Luo L. X. Network text sentiment analysis method combining LDA text representation and GRU-CNN. Personal and Ubiquitous Computing 2019; 23(3-4), 405-412
  27. Kim H. Y, Won C. H. Forecasting the volatility of stock price index: A hybrid model integrating LSTM with multiple GARCH-type models. Expert Systems with Applications 2018; 103, 25-37
  28. Hepsiburada kullanıcı yorumları [2018], Available:
  29. Deng X, Liu Q, Deng Y, Mahadevan S. An improved method to construct basic probability assignment based on the confusion matrix for classification problem. Information Sciences 2016; 340, 250-261
  30. Segura-Bedmar I, Colón-Ruíz C, Tejedor-Alonso M. Á, Moro-Moro, M. Predicting of anaphylaxis in big data EMR by exploring machine learning approaches. Journal of biomedical informatics 2018; 87, 50-59.