KaydedilenlerDerginizi ekleyin

Dergiler / Ömer Halisdemir Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi / 2022 / Cilt: 15 - Sayı: 4

Veri ve metin madenciliği ile hava yolu işletmelerinin Covid-19 öncesi ve sonrası sosyal medya yorum ve skorlarının değerlendirilmesi

Evaluation of social media comments and scores of airline companies before and after Covid-19 with data and text mining

İbrahim BUDAK
Arzu ORGAN
Sayfa
998–1022
Yayın Tarihi
2022-10-25
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)

Yapılan karşılaştırmada Derin Öğrenmenin daha iyi sonuç verdiği saptanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Veri ve metin madenciliği, anlamlı ilişkileri ve eğilimleri ayırt etmek için kullanıcıların taleplerine göre yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış büyük bir veri miktarını analiz etme sürecidir.
📊
Temel Bulgular & Veri:İşletmeler, veri ve metin madenciliği teknikleri kullanarak hem kendi işletmeleri içerisinde hem de rakipleri ile rekabette yaşadıkları sorunlarına etkili çözümler üretebilmektedirler.
💡
Sonuç & Katkı:Yapılan karşılaştırmada Derin Öğrenmenin daha iyi sonuç verdiği saptanmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Veri ve Metin Madenciliği · Hava Yolu · Destek Vektör Makineleri

Özet

Veri ve metin madenciliği, anlamlı ilişkileri ve eğilimleri ayırt etmek için kullanıcıların taleplerine göre yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış büyük bir veri miktarını analiz etme sürecidir. İşletmeler, veri ve metin madenciliği teknikleri kullanarak hem kendi işletmeleri içerisinde hem de rakipleri ile rekabette yaşadıkları sorunlarına etkili çözümler üretebilmektedirler. Böylece elde ettikleri bilgiyi rekabet avantajına çevirebilmektedirler. Bu araştırmada, veri ve metin madenciliği algoritmaları kullanılarak rekabete dayalı pazarda müşterilerin istek ve ihtiyaçlarına göre hava yolu firmalarının üstün ve zayıf yönlerinin değerlendirilmesi amaçlanmıştır. Bu araştırmada, sosyal medya sitelerinden olan TripAdvisor’daki çevrimiçi seyahat incelemeleri araştırma kapsamına alınmıştır. Star Alliance küresel hava yolu birliğine üye 26 hava yolu firması değerlendirilmiştir. Araştırmada kullanılan kriterler; her bir kullanıcının yorum ve skorları temel alınarak belirlenmiştir. Duygu Analizi ile müşteri yorumlarından polariteleri belirlendikten sonra Destek Vektör Makineleri, Naive Bayes, Derin Öğrenme Algoritmaları ile sınıflandırma ve tahminleme yapılarak elde edilen sonuçlar karşılaştırılmıştır. Bunun yanı sıra sonuçlar, Covid-19 pandemisi öncesi ve sonrası olarak da karşılaştırılmıştır. Yapılan karşılaştırmada Derin Öğrenmenin daha iyi sonuç verdiği saptanmıştır.

Abstract

Data and text mining is the process of analyzing a large amount of semi-structured, unstructured and structured data based on users' demands to distinguish meaningful relationships and trends. By using the data and text mining techniques, companies can produce effective solutions to the problems within their business and with their competitors. Thus, they can turn this information into competitive advantage. In this study, it is aimed to evaluate the strengths and weaknesses of airline companies in competitive market according to the demands and needs of customers through using the data and text mining algorithms. In this research, online user reviews on TripAdvisor which is one of the social media sites was included in this research. 26 airlines which are the members of Star Alliance Global Airline Association were evaluated. The criteria used in this research was determined based on the comments and scores of each user. After determining the polarities from customer comments with Sentiment Analysis, the results obtained by classification and estimation with Support Vector Machines, Naive Bayes, Deep Learning Algorithms were compared. In addition, the results were compared before and after the Covid-19 pandemic. In the comparison made, it was determined that Deep learning gives better results.

🔖

Bu Makaleye Atıf Yap

BUDAK, İ., ORGAN, A. (2022). Veri ve metin madenciliği ile hava yolu işletmelerinin Covid-19 öncesi ve sonrası sosyal medya yorum ve skorlarının değerlendirilmesi. Ömer Halisdemir Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt: 15 - Sayı: 4, 998–1022. https://ajindex.com/articles/696128

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Agarap, A. F. (2018). Deep learning using rectified linear units (ReLU). arXiv preprint arXiv:1803.08375. Alexa, https://www.alexa.com/siteinfo/tripadvisor.com#section_traffic (02.05.2020).
  2. An, Y., Sun, S., & Wang, S. (2017, May). Naive Bayes classifiers for music emotion classification based on lyrics. In 2017 IEEE/ACIS 16th International Conference on Computer and Information Science (ICIS) (pp. 635-638).
  3. IEEE. BholaneSavita, D., & Gore, D. (2016). Sentiment analysis on twitter data using support vector machine. International Journal of Computer Science Trends and Technology (IJCST)–Volume, 4, 365-370.
  4. Cherian, V., & Bindu, M. S. (2017). Heart disease prediction using Naïve Bayes algorithm and Laplace smoothing technique. International Journal of Computer Science Trends and Technology (IJCST), 5(2), 68-73.
  5. Dave, K., Lawrence, S., & Pennock, D. M. (2003, May). Mining the peanut gallery: Opinion extraction and semantic classification of product reviews. In Proceedings of the 12th international conference on World Wide Web (pp. 519-528).
  6. Day, M. Y., & Lin, Y. D. (2017, August). Deep learning for sentiment analysis on google play consumer review. In 2017 IEEE international conference on information reuse and integration (IRI) (pp. 382-388).
  7. IEEE. Goodfellow, I., Bengio, Y., & Courville, A. (2016).
  8. Deep learning. MIT press. Haddaway, N. R. (2015). The use of web-scraping software in searching for grey literature. Grey Journal, 11(3), 186-190.
  9. Harisinghaney, A., Dixit, A., Gupta, S., & Arora, A. (2014, February). Text and image based spam email classification using KNN, Naïve Bayes and Reverse DBSCAN algorithm. In 2014 International Conference on Reliability Optimization and Information Technology (ICROIT) (pp. 153-155).
  10. IEEE. Hogenboom, A., Bal, D., Frasincar, F., Bal, M., de Jong, F., & Kaymak, U. (2013, March). Exploiting emoticons in sentiment analysis. In Proceedings of the 28th annual ACM symposium on applied computing (pp. 703-710).
  11. Hussein, S. M., Ali, F. H. M., & Kasiran, Z. (2012, May). Evaluation effectiveness of hybrid IDs using snort with naive Bayes to detect attacks. In 2012 Second International Conference on Digital Information and Communication Technology and it's Applications (DICTAP) (pp. 256-260).
  12. IEEE. Karamanlı, E. (2019). Makine Öğrenmesi Algoritmaları Kullanarak Metin Madenciliği ve Duygu Analizi ile Müşteri Deneyiminin Geliştirilmesi (Doctoral dissertation, Yüksek Lisans Tezi, İstanbul Üniversitesi,
  13. İstanbul, Türkiye). Kharde, V., &