Dergiler / Natural and Applied Sciences Journal / 2026 / Cilt: 8 Sayı: 1

Sentiment Analysis and Automatic Response Generation for E-Commerce Comments

Ayşe Macit(İZMİR DEMOKRASİ ÜNİVERSİTESİ)0009-0004-6074-2257
Seda Postalcıoğlu(İZMİR DEMOKRASİ ÜNİVERSİTESİ)0000-0002-3188-8116
Sayfa
18–25
Yayın Tarihi
2025-06-30
🏛️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)

Sonuç olarak otomatik yorum analiz araçlarının e-ticaret satıcıları için müşteri ilişkilerini geliştirmede etkili olabileceği sonucuna ulaşılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, e-ticaret sitelerindeki ürün yorumlarının otomatik sınıflandırılması ve uygun yanıtların üretilmesi amacıyla makine öğrenmesi tekniklerinin kullanılmasını ele almaktadır. "E-Ticaret Ürün Yorumları" veri setinden elde edilen olumlu, olumsuz ve nötr olarak etiketlenen yaklaşık 15.000 veri ile gerçekleştirilmiştir.
📊
Temel Bulgular & Veri:Yapılan çalışmalar sonucunda Çok Terimli Naive Bayes, Destek Vektör Makinesi, Rassal Orman, Lojistik Regresyon algoritmalarının doğruluk değerleri sırasıyla %87, %88, %85 ve %88 olmak üzere başarılı sonuçlar vermişlerdir.
💡
Sonuç & Katkı:Sonuç olarak otomatik yorum analiz araçlarının e-ticaret satıcıları için müşteri ilişkilerini geliştirmede etkili olabileceği sonucuna ulaşılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Duygu Analizi · Metin Madenciliği · Otomatik Sınıflandırma

Özet

Bu çalışma, e-ticaret sitelerindeki ürün yorumlarının otomatik sınıflandırılması ve uygun yanıtların üretilmesi amacıyla makine öğrenmesi tekniklerinin kullanılmasını ele almaktadır. "E-Ticaret Ürün Yorumları" veri setinden elde edilen olumlu, olumsuz ve nötr olarak etiketlenen yaklaşık 15.000 veri ile gerçekleştirilmiştir. Çalışmada metin madenciliği teknikleri olan TF-IDF vektörleme yönteminden faydalanılmıştır. Duygu analizi için Çok Terimli Naive Bayes (Multinomial Naive Bayes), Destek Vektör Makinesi (Support Vector Machine), Rassal Orman (Random Forest), Lojistik Regresyon (Logistic Regresyon) teknikleri kullanılmıştır. Yapılan çalışmalar sonucunda Çok Terimli Naive Bayes, Destek Vektör Makinesi, Rassal Orman, Lojistik Regresyon algoritmalarının doğruluk değerleri sırasıyla %87, %88, %85 ve %88 olmak üzere başarılı sonuçlar vermişlerdir. Sonuç olarak otomatik yorum analiz araçlarının e-ticaret satıcıları için müşteri ilişkilerini geliştirmede etkili olabileceği sonucuna ulaşılmıştır.

Abstract

This study addresses the use of machine learning techniques for automatic classification of product reviews on e-commerce sites and generating appropriate responses. It was carried out with approximately 15,000 data labeled as positive, negative and neutral obtained from the "E-Commerce Product Reviews" data set. The TF-IDF vectorization method, which is a text mining technique, was used in the study. Multinomial Naive Bayes, Support Vector Machine, Random Forest, Logistic Regression techniques were used for sentiment analysis. As a result of the studies, the accuracy values of Multinomial Naive Bayes, Support Vector Machine, Random Forest, Logistic Regression algorithms show successful results as 87%, 88%, 85% and 88%, respectively. As a result, it was concluded that automatic comment analysis tools can be effective in improving customer relations for e-commerce sellers.

🔖

Bu Makaleye Atıf Yap

Postalcıoğlu, S. (2025). Sentiment Analysis and Automatic Response Generation for E-Commerce Comments. Natural and Applied Sciences Journal, Cilt: 8 Sayı: 1, 18–25. https://doi.org/10.38061/idunas.1596100

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. Ulusoy, B. (2022). Ürün Yorumları Duygu Analizi. [Proje].Kaggle.https://www.kaggle.com/code/b arisulusoy/r-n-yorumlar-duygu-analizi (Erişim Tarihi: 30 Ekim 2023)
  2. Çabuk, M. (2022). E-Ticaret Ürün Yorumları [Veri seti]. Kaggle.https://www.kaggle.com/datasets/mujd atcabuk/eticaret-urun-yorumlari (Erişim Tarihi: 30 Ekim 2023)
  3. Çalış, K., Gazdağı, O., & Yıldız, O. (2013). Reklam İçerikli Epostaların Metin Madenciliği Yöntemleri ile Otomatik Tespiti. Bilişim Teknolojileri Dergisi, 6(1), 1-10. https://dergipark.org.tr/en/download/articlefile/ 75317
  4. Çelik, Ö., & Koç, B. C. (2021). TF-IDF, Word2vec ve Fasttext Vektör Model Yöntemleri ile Türkçe Haber Metinlerinin Sınıflandırılması. Dergi Adı (DEUFMD), 23(67), 121-127. https://dergipark.org.tr/en/download/articlefile/ 940060
  5. Onan, A., & Korukoğlu, S. (2016). Makine Öğrenmesi Yöntemlerinin Görüş Madenciliğinde Kullanılması Üzerine Bir Literatür Araştırması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi / Pamukkale University Journal of Engineering Sciences, 22(2), 111-122. https://jag.journalagent.com/pajes/pdfs/PAJES _22_2_111_122.pdf
  6. Tuzcu, S. (2020). Çevrimiçi Kullanıcı Yorumlarının Duygu Analizi ile Sınıflandırılması. ESTUDAM Bilişim, 1(2), 1–5.
  7. Ülgen Oğul, İ., Özcan, C., & Hakdağlı, Ö. (2017). Spark Destek Vektör Makinesi ile Metin Sınıflandırma. https://www.researchgate.net/profile/Caner- Ozcan-2/publication/321579721_Text_Classification_ with_Spark_Support_Vector_Machine/links/5a 27b7bba6fdcc8e866e7e35/Text-Classificationwith- Spark-Support-Vector-Machine.pdf
  8. Yang, L., Li, Y., Wang, J., & Sherratt, R. S. (2020). Sentiment Analysis for E-Commerce Product Reviews in Chinese Based on Sentiment Lexicon and Deep Learning. IEEE Access, 8, 23522-23530. https://doi.org/10.1109/ACCESS.2020.2969854
  9. Postalcioglu, S., (2022). Design of Automatic Tool for Diagnosis of Pneumonia Using Boosting Techniques, Brazilian Archives of Biology and Technology. 2022, v. 65, pp:1-16. doi.org/10.1590/1678-4324-2022210322