Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması

KAYNAR, OGUZ; AYDIN, Zafer; görmez, yasin

Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması

Oğuz KAYNAR, (Yönetim Bilişim Sistemleri Bölümü, Cumhuriyet Üniversitesi, Sivas, Türkiye)

Zafer AYDIN, (Bilgisayar Mühendisliği Bölümü, Abdullah Gül Üniversitesi, Kayseri, Türkiye)

Yasin GÖRMEZ (Yönetim Bilişim Sistemleri Bölümü, Cumhuriyet Üniversitesi, Sivas, Türkiye)

Bilişim Teknolojileri Dergisi

7 1

Yıl: 2017 Cilt: 10 Sayı: 3 Sayfa Aralığı: 319 - 326 Metin Dili: Türkçe İndeks Tarihi: 29-07-2022

Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması

Öz:

-- Günümüz teknolojisinde internetin her kesim tarafından çok yoğun olarak kullanılmasından dolayı insanlar artık görüş, fikir ve hislerini sosyal paylaşım siteleri, forum, blog benzeri birçok ortam aracılığı ile paylaşmaya başlamıştır. Ancak her geçen gün artan veri sayısı ve boyutu, bu verilerden manuel olarak anlamlı bilgiler çıkartılmasını çok zahmetli ve pahalı bir iş haline getirmektedir. Otomatik olarak verinin duygu içerip içermediğinin saptanması ve bu duygunun olumlu, olumsuz veya tarafsız olma durumunun belirlenmesi duygu analizi yardımıyla gerçekleştirilmektedir. Duygu düşünce analizinde, konuşma dilinin karmaşıklığı, değerlendirilen metin sayısının fazlalığı ve uzunluğu, çok sayıda gereksiz ve gürültü içeren öznitelik vektörüne neden olmaktadır. Boyut problemi olarak adlandırılan bu durum hesaplama zamanın artmasına ve sınıflama hatalarına yol açmaktadır. Bu çalışmada ise bahsedilen problemlere çözüm olarak önerilen derin öğrenme tabanlı oto kodlayıcı (Autoencoder) modeli ile gürültü giderici oto kodlayıcı (Denoising Autoencoder) modeli boyut düşürme tekniği olarak kullanılmış ve literatürde yaygın olarak kullanılan diğer boyut düşürme teknikleri ile kıyaslanmıştır. Elde edilen tüm veri setleri için sınıflama algoritması olarak Destek Vektör Makinaları ve Yapay Sinir Ağları kullanan farklı modeller geliştirilmiştir. Yapılan analizlerin sonucunda, boyut düşürme tekniklerinin duygu analizi için elde edilen sonuçları iyileştirdiği, önerilen oto kodlayıcı modellerinin ise var olan tekniklere benzer ya da onlardan daha iyi sonuçlar aldığı gözlemlenmiştir

Anahtar Kelime:

Konular: Bilgisayar Bilimleri, Yazılım Mühendisliği Bilgisayar Bilimleri, Bilgi Sistemleri Bilgisayar Bilimleri, Yapay Zeka

Comparison of Feature Reduction Methods with Deep Autoencoder Machine Learning in Sentiment Analysis

Öz:

— Because the internet is extensively used by people from all strata with today's technology, people now share their opinions, ideas and feelings through a variety of media such as social networking sites, forums and blogs. However, the number and size of data that is increasing day by day makes it very laborious and expensive to extract meaningful information manually from these data. Determination of whether data includes emotions or not automatically and determination of these feelings being positive, negative and neutral are performed by sentiment analysis. In sentiment analysis, the complexity of the speech language, the excessive number and length of texts being evaluated causes a large number of unnecessary and noise-containing feature vectors. This situation, which is called dimensionality problem, leads to increase of computation time and classification errors. In this study, a deep autoencoder model and a denoising autoencoder model are proposed and used as dimension reduction methods to overcome mentioned problems and compared with other feature reduction methods commonly used in literature. For all data sets obtained, different models have been developed using Support Vector Machines and Artificial Neural Networks as the classification algorithm. According to the analyses made, it has been observed that the feature reduction methods improve the results obtained of sentiment analysis, and the proposed autoencoder models have similar or better results than the existing methods

Anahtar Kelime:

Konular: Bilgisayar Bilimleri, Yazılım Mühendisliği Bilgisayar Bilimleri, Bilgi Sistemleri Bilgisayar Bilimleri, Yapay Zeka

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

[1] J. Li and M. Sun, “Experimental Study on Sentiment Classification of Chinese Review using Machine Learning Techniques,” International Conference on Natural Language Processing and Knowledge Engineering, 2007, pp. 393–400.
[2] G. Alec, R. Bhayani, and L. Huang, “Twitter Sentiment Classification using Distant Supervision.” 2009.
[3] K. Mouthami, K. N. Devi, and V. M. Bhaskaran, “Sentiment analysis and classification based on textual reviews,” International Conference on Information Communication and Embedded Systems (ICICES), 2013, pp. 271–276.
[4] V. K. Singh, R. Piryani, A. Uddin, P. Waila, and Marisha, “Sentiment Analysis of Textual Reviews,” The 5 th International Conference on Knowledge and Smart Technology, 2013
[5] G. Gautam and D. Yadav, “Sentiment analysis of twitter data using machine learning approaches and semantic analysis,” Seventh International Conference on Contemporary Computing (IC3), 2014, pp. 437–442.
[6] H. Nizam and S. S. Akın, “Sosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması,” XIX. Türkiye’de İnternet Konferansı, 2014.
[7] Ö. Çoban, B. Özyer, and G. T. Özyer, “Sentiment analysis for Turkish Twitter feeds,” 23nd Signal Processing and Communications Applications Conference (SIU), 2015, pp. 2388–2391.
[8] J. Kranjc, J. Smailović, V. Podpečan, M. Grčar, M. Žnidaršič, and N. Lavrač, “Active learning for sentiment analysis on data streams: Methodology and workflow implementation in the ClowdFlows platform,” Inf. Process. Manag., vol. 51, no. 2, pp. 187–203, Mar. 2015.
[9] A. Tripathy, A. Agrawal, and S. K. Rath, “Classification of sentiment reviews using n-gram machine learning approach,” Expert Syst. Appl., vol. 57, pp. 117–126, Eylül 2016.
[10] V. Rohini, M. Thomas, and C. A. Latha, “Domain based sentiment analysis in regional Language-Kannada using machine learning algorithm,” IEEE International Conference on Recent Trends in Electronics, Information Communication Technology (RTEICT), 2016, pp. 503–507.
[11] R. Xia, C. Zong, and S. Li, “Ensemble of feature sets and classification algorithms for sentiment classification,” Inf. Sci., vol. 181, no. 6, pp. 1138–1152, Mar. 2011.
[12] M. S. Neethu and R. Rajasree, “Sentiment analysis in twitter using machine learning techniques,” Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT), 2013, pp. 1–5.
[13] E. Fersini, E. Messina, and F. A. Pozzi, “Sentiment analysis: Bayesian Ensemble Learning,” Decis. Support Syst., vol. 68, pp. 26–38, Aralık 2014.
[14] N. F. F. da Silva, E. R. Hruschka, and E. R. Hruschka Jr., “Tweet sentiment analysis with classifier ensembles,” Decis. Support Syst., vol. 66, pp. 170–179, Ekim 2014.
[15] C. Catal and M. Nangir, “A sentiment classification model based on multiple classifiers,” Appl. Soft Comput., vol. 50, pp. 135–141, Ocak 2017.
[16] S. Tan and J. Zhang, “An empirical study of sentiment analysis for chinese documents,” Expert Syst. Appl., vol. 34, no. 4, pp. 2622–2629, May 2008.
[17] A. GO, L. Huang, and R. Bhayani, “Twitter Sentiment Analysis.” 2009.
[18] M. Meral and B. Diri, “Sentiment analysis on Twitter,” 22nd Signal Processing and Communications Applications Conference (SIU), 2014, pp. 690–693.
[19] G. Vinodhini and R. M. Chandrasekaran, “Effect of Feature Reduction in Sentiment analysis of online reviews,” Int. J. Adv. Res. Comput. Eng. Technol., vol. 2, no. 6, 2013.
[20] A. Yousefpour and H. N. Hamed, “A Novel Feature Reduction Method in Sentiment Analysis,” Int. J. Innov. Comput., 2014.
[21] K. Kim and J. Lee, “Sentiment visualization and classification via semi-supervised nonlinear dimensionality reduction,” Pattern Recognit., vol. 47, no. 2, pp. 758–768, ubat 2014.
[22] L. B. Shyamasundar and P. J. Rani, “Twitter sentiment analysis with different feature extractors and dimensionality reduction using supervised learning algorithms,” IEEE Annual India Conference (INDICON), 2016, pp. 1–6.
[23] P. Baldi, “Autoencoders, Unsupervised Learning, and Deep Architectures,” Workshop on Unsupervised and Transfer Learning, 2012.
[24] D. E. Rumelhart, G. E. Hinton, and R. J. Williams, “Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1,” D. E. Rumelhart, J. L. McClelland, and C. PDP Research Group, Eds. Cambridge, MA, USA: MIT Press, 1986, pp. 318–362.
[25] Movie Review Data: https://www.cs.cornell.edu/people/ pabo/movie-review-data/, 01.03.2017.

APA	KAYNAR O, AYDIN Z, görmez y (2017). Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması. , 319 - 326.
Chicago	KAYNAR OGUZ,AYDIN Zafer,görmez yasin Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması. (2017): 319 - 326.
MLA	KAYNAR OGUZ,AYDIN Zafer,görmez yasin Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması. , 2017, ss.319 - 326.
AMA	KAYNAR O,AYDIN Z,görmez y Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması. . 2017; 319 - 326.
Vancouver	KAYNAR O,AYDIN Z,görmez y Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması. . 2017; 319 - 326.
IEEE	KAYNAR O,AYDIN Z,görmez y "Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması." , ss.319 - 326, 2017.
ISNAD	KAYNAR, OGUZ vd. "Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması". (2017), 319-326.

APA	KAYNAR O, AYDIN Z, görmez y (2017). Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması. Bilişim Teknolojileri Dergisi, 10(3), 319 - 326.
Chicago	KAYNAR OGUZ,AYDIN Zafer,görmez yasin Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması. Bilişim Teknolojileri Dergisi 10, no.3 (2017): 319 - 326.
MLA	KAYNAR OGUZ,AYDIN Zafer,görmez yasin Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması. Bilişim Teknolojileri Dergisi, vol.10, no.3, 2017, ss.319 - 326.
AMA	KAYNAR O,AYDIN Z,görmez y Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması. Bilişim Teknolojileri Dergisi. 2017; 10(3): 319 - 326.
Vancouver	KAYNAR O,AYDIN Z,görmez y Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması. Bilişim Teknolojileri Dergisi. 2017; 10(3): 319 - 326.
IEEE	KAYNAR O,AYDIN Z,görmez y "Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması." Bilişim Teknolojileri Dergisi, 10, ss.319 - 326, 2017.
ISNAD	KAYNAR, OGUZ vd. "Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması". Bilişim Teknolojileri Dergisi 10/3 (2017), 319-326.