SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2021 / Cilt: 36 - Sayı: 4

Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme

Volkan Altıntaş
Kamil Topal
Mehmet Albayrak
Pages
2183–2196
Publication Date
2022-10-18
DOI
—
🏛️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)

GDA algoritması ile modelleme sonucunda elde edilen konu başlıklarında bulunan kelimelerin yapılan tutarlılık testinde uyumlu olduğu görülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Sosyal medya ortamlarında, kullanıcılar yaşadıkları olaylar ile ilgili edindikleri tecrübeleri paylaşmaktadır.
📊
Key Findings & Data:Kişiler başlarından geçen bir olayı, yeni gördükleri bir şehri, okudukları kitabı vb. paylaşarak aynı belirli konular hakkında diğer kişilere deneyimlerini aktarmaktadır.
💡
Conclusion & Impact:GDA algoritması ile modelleme sonucunda elde edilen konu başlıklarında bulunan kelimelerin yapılan tutarlılık testinde uyumlu olduğu görülmüştür.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Doğal dil işleme · konu modelleme · metin madenciliği

Özet

Sosyal medya ortamlarında, kullanıcılar yaşadıkları olaylar ile ilgili edindikleri tecrübeleri paylaşmaktadır. Kişiler başlarından geçen bir olayı, yeni gördükleri bir şehri, okudukları kitabı vb. paylaşarak aynı belirli konular hakkında diğer kişilere deneyimlerini aktarmaktadır. Sosyal medya kullanan bireylerin konuştuğu konulardan biri de sağlık problemleri ve bu konudaki deneyimlerin paylaşılmasıdır. Sağlık problemi yaşayan bazı bireyler, geçirdikleri hastalıkları, gördüğü tedavileri ve sonuçlarını, her bir evresinde kazandıkları tecrübeleri sosyal ortamlarda yazarak paylaşmaktadır. Bu paylaşımlar gerek bilgilendirici gerekse hastalıkla mücadelede moral/motivasyon için diğer hastalar açısından önem arz etmektedir. Paylaşım sayısının fazla olması, hastalıkların çeşitliği ve veri miktarının büyüklüğü nedeniyle insan tarafından manuel olarak yorumlanması imkânsız hale gelmektedir. Bu çalışmada, Reddit sosyal platformu üzerinden, kanser hastalığı ile ilgili paylaşımlar toplanarak bu veriler üzerinde çalışılmıştır. Bu paylaşımlar üzerinden yapay zekâ tabanlı konu modelleme algoritmalarından “Gizli Dirichlet Ayrımı (GDA)” algoritması ile konuşulan başlıca konu başlıkları bulunmuştur. Konu başlıklarının konuşulan konu ile ilişkisi incelenmiş ve içerik analizi yapılmıştır. Kanser hastalığı ile ilgili paylaşımlar içerisinde en fazla konuşulan içeriklerin belirlenmesi hedeflenmiştir. Ayrıca t-SNE tekniği kullanılarak konuların birbiri arasındaki ilişkisi incelenmiştir. GDA algoritması ile modelleme sonucunda elde edilen konu başlıklarında bulunan kelimelerin yapılan tutarlılık testinde uyumlu olduğu görülmüştür.

🔖

Cite This Article

Altıntaş, V., Topal, K., Albayrak, M. (2022). Kanser hastalığı ile ilgili paylaşımlar için Dirichlet ayrımı ile gizli konu modelleme. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 36 - Sayı: 4, 2183–2196. https://ajindex.com/articles/523457

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (17)

  1. Bhat M.R., Kundroo M.A., Tarray T.A., Agarwal B., Deep LDA: A new way to topic model, J. Inf. Optim. Sci., pp. 1–12, 2019
  2. Alexa.com, Alexa Top 500 Global Sites,. http://alexa.com/topsites/, 2019. Erişim Tarihi 25 Ekim 2019
  3. Blei D.M., Ng A.Y., Jordan M.I., Latent Dirichlet allocation, J. Mach. Learn. Res., 2003.
  4. Foresee D.F., Hagan M.T., Gauss-Newton approximation to Bayesian learning, in Proceedings of International Conference on Neural Networks (ICNN ’97), vol. 3, pp. 1930–1935, 1997.
  5. Okon E., Rachakonda V., Hong H.J., Callison-Burch C., Lipoff J., Natural Language Processing of Reddit Data to Evaluate Dermatology Patient Experiences and Therapeutics, J. Am. Acad. Dermatol., Jul. 2019.
  6. Ding S., Li Z., Liu X., Huang H., Yang S., Diabetic complication prediction using a similarity-enhanced latent Dirichlet allocation model, Inf. Sci. (Ny)., vol. 499, pp. 12–24, 2019.
  7. Chen C., Ren J., Forum latent Dirichlet allocation for user interest discovery, Knowledge-Based Syst., vol. 126, pp. 1–7, 2017.
  8. Bastani K., Namavari H., Shaffer J., Latent Dirichlet allocation (LDA) for topic modeling of the CFPB consumer complaints, Expert Syst. Appl., vol. 127, pp. 256–271, 2019.
  9. Wang W., Feng F., Dai W., Topic analysis of çevrimiçi reviews for two competitive products using latent Dirichlet allocation, Electron. Commer. Res. Appl., vol. 29, pp. 142–156, 2018.
  10. Hagen L., Content analysis of e-petitions with topic modeling: How to train and evaluate LDA models?, Inf. Process. Manag., vol. 54, no. 6, pp. 1292–1307, 2018.
  11. Griffiths T.L., Steyvers M., Finding scientific topics, Proc. Natl. Acad. Sci., vol. 101, no. Supplement 1, pp. 5228–5235, 2004.
  12. Wang Y., Agichtein E., Benzi M., TM-LDA, in Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining - KDD '12, p. 123, 2012.
  13. Xu Z., Ru L., Xiang L., Yang Q., Discovering User Interest on Twitter with a Modified Author-Topic Model, in 2011 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology, pp. 422–429, 2011.
  14. Xu H, Zhang F.,Wang W., Implicit feature identification in Chinese reviews using explicit topic mining model, Knowledge-Based Syst., vol. 76, pp. 166–175, 2015.
  15. Lu Y., Mei Q., Zhai C., Investigating task performance of probabilistic topic models: an empirical study of PLSA and LDA, Inf. Retr. Boston., vol. 14, no. 2, pp. 178–203, 2011.
  16. Blei D.M., Probabilistic topic models, Commun. ACM, vol. 55, no. 4, p. 77, 2012.
  17. Landauer T.K., Dutnais S.T., A so