KaydedilenlerDerginizi ekleyin

Dergiler / Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi / 2016 / Cilt: 22 - Sayı: 2

Makine öğrenmesi yöntemlerinin görüş madenciliğinde kullanılması üzerine bir literatür araştırması

A review of literature on the use of machine learning methods for opinion mining

Aytuğ ONAN
Serdar KORUKOĞLU
Sayfa
111–122
Yayın Tarihi
2016-05-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışma kapsamında, görüş madenciliği alanında gerçekleştirilen temel makine öğrenmesine dayalı çalışmalar ve her bir makine öğrenmesi yönteminin güçlü ve zayıf yönleri ele alınmaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Görüş madenciliği, görüş sahibinin tutum, davranış, duygu gibi öznel bilgilerinin çıkarılması için doğal dil işleme, metin madenciliği, hesaplamalı dilbilim gibi bilim alanlarının tekniklerini kullanan güncel bir araştırma alanıdır.
📊
Temel Bulgular & Veri:Görüş madenciliği işleminin temel olarak bir sınıflandırma problemi olarak ele alınması mümkündür.
💡
Sonuç & Katkı:Bu çalışma kapsamında, görüş madenciliği alanında gerçekleştirilen temel makine öğrenmesine dayalı çalışmalar ve her bir makine öğrenmesi yönteminin güçlü ve zayıf yönleri ele alınmaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Görüş madenciliği · Makine öğrenmesi · Duygu analizi

Özet

Görüş madenciliği, görüş sahibinin tutum, davranış, duygu gibi öznel bilgilerinin çıkarılması için doğal dil işleme, metin madenciliği, hesaplamalı dilbilim gibi bilim alanlarının tekniklerini kullanan güncel bir araştırma alanıdır. Görüş madenciliği işleminin temel olarak bir sınıflandırma problemi olarak ele alınması mümkündür. Bu nedenle, makine öğrenmesine dayalı yöntemler sıklıkla görüş sınıflandırma amacıyla uygulanmaktadır. Görüş madenciliğinde makine öğrenmesine dayalı yöntemler temel olarak, öğreticili, yarı-öğreticili ve öğreticisiz yöntemler olmak üzere üç temel sınıf altında incelenmektedir. Bu çalışma kapsamında, görüş madenciliği alanında gerçekleştirilen temel makine öğrenmesine dayalı çalışmalar ve her bir makine öğrenmesi yönteminin güçlü ve zayıf yönleri ele alınmaktadır.

Abstract

Opinion mining is an emerging field which uses methods of natural language processing, text mining and computational linguistics to extract subjective information of opinion holders. Opinion mining can be viewed as a classification problem. Hence, machine learning based methods are widely employed for sentiment classification. Machine learning based methods in opinion mining can be mainly classified as supervised, semi-supervised and unsupervised methods. In this study, main existing literature on the use of machine learning methods for opinion mining has been presented. Besides, the weak and strong characteristics of machine learning methods have been discussed.

🔖

Bu Makaleye Atıf Yap

ONAN, A., KORUKOĞLU, S. (2016). Makine öğrenmesi yöntemlerinin görüş madenciliğinde kullanılması üzerine bir literatür araştırması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 22 - Sayı: 2, 111–122. https://ajindex.com/articles/108892

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Ganesan K, Kim H. D. “Opinion Mining Tutorial (Sentiment Analysis)”.http://www.slideshare.net/KavitaGanesan/op inion-mining-kavitahyunduk00 (15.01.2015).
  2. Medhat W, Hassan A, Korashy H. “Sentiment analysis algorithms and applications: a survey”. Ain Shams Engineering Journal, 5(4), 1093-1113, 2014
  3. Taboada M, Brooke J, Tofiloski M, Voll K, Stede M. “Lexicon-Based methods for sentiment analysis”. Computational Linguistics, 37(2), 267-307, 2011.
  4. Pang B, Lee L, Vaithyanathan S. “Thumbs up?: Sentiment classification using machine learning techniques”. Conference on Empirical Methods in Natural Language Processing (EMNLP), Philadelphia, PA, USA, 6-7 July 2002.
  5. Pang B, Lee L. “A sentimental education: sentiment analysis using subjectivity summarization based on minimum cuts”. 42nd Annual Meeting of the Association for Computational Linguistics (ACL), Barcelona, Spain, 21-26 July 2004.
  6. Whitelaw C, Garg N, Argamon S. “Using appraisal groups for sentiment analysis”. 14th ACM International Conference on Information and Knowledge Management (CIKM), Bremen, Germany, 31 October-5 November 2005.
  7. Matsumoto S, Takamura H, Okumura M. “Sentiment classification using word sub-sequences and dependency sub-trees”. 9th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), Hanoi, Vietnam, 18- 20 May 2005.
  8. McDonald R, Hannan K, Neylon T, Wells M, Reynar J. “Structured models for fine-to-coarse sentiment analysis”. 45th Annual Meeting of the Association of Computational Linguistics, Prague, Czech Republic, 23-30 June 2007.
  9. Zaidan OF, Eisner J, Piatko CD. “Using ‘annotator rationales’ to improve machine learning for text categorization”. Annual Conference of the North American Chapter of the Association for Computational Linguistics (NAACL-HLT), Rochester, NY, USA, 22-27 April 2007.
  10. Tan S, Zhang J. “An empirical study of sentiment analysis for Chinese document”. Expert Systems with Applications, 34(4), 2622-2629, 2008.
  11. Prabowo R, Thelwall M. “Sentiment Analysis: a combined approach”. Journal of Informetrics, 3(2), 143-157, 2009.
  12. Yassenalina A, Yue Y, Cardie C. “Multi-Level structured models for document-level sentiment classification”. Conference on Empirical Methods in Natural Language Processing (EMNLP), Boston, MA, USA, 9-11 October 2010.
  13. Qui G, He X, Zhang F, Shi Y, Bu J, Chen C. “DASA: dissatisfaction-oriented advertising based on sentiment analysis”. Expert Systems with Application, 37(9), 6182-6191, 2010.
  14. Zhao YY, Qin B, Liu T. “Integrating intra-and inter- d