Metin madenciliği yöntemleri ile e-ticaret markalarına yönelik sosyal medya yorumlarının analizi
Analysis of social media comments an e-commerce brands with text mining methods
- Tez No: 574626
- Danışmanlar: DOÇ. DR. ÖZGÜR ÇAKIR
- Tez Türü: Yüksek Lisans
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Bayes analizi, Elektronik ticaret, Marka, Metin madenciliği, Sosyal medya, Ticaret, Yorumlayıcı iletişim, Bayes analysis, Electronic commerce, Brand, Text mining, Social media, Trade, Interpretive communication
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Sayısal Yöntemler Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Metin verilerinden anlam çıkarılması adına yapılan analizler teknolojik gelişmeler ile hızla değişebilmektedir. Müşterilerin satın aldıkları ürün/hizmetler hakkında yazdıkları geri bildirimlerin ve sosyal medya platformlarında yazdıkları mesajların/yorumların içerdiği duygunun araştırılabilir ve yorumlanabilir oluşu bu metin verilerine anlam katmaktadır. Bu metin verilerinin analiz edilmesi ile elde edilen bilgileri işletmelerin kullanması ise işletmelere değer katmaktadır. Bu tez çalışmasında, makine öğrenmesi tekniklerinden denetimli öğrenme yaklaşımı kullanılarak sosyal medya yorumlarının duygu analizi yapılmıştır. Denetimli öğrenme sınıflandırma algoritmalarından Naive Bayes, Sıralı Minimal Optimizasyon(SMO), k-en yakın komşu (kNN=IBk) algoritmaları kullanılmıştır. Bazı e-ticaret firmalarına, ürünlerine/hizmetlerine yönelik yapılan yorumlardan oluşturulan veri kümesi Twitter platformu kullanılarak elde edilmiştir. Sosyal medya yorumları olumlu, olumsuz, nötr olarak el yordamı ile etiketlenerek üç sınıfta toplanmıştır. Bu çalışmada 'sınıflardaki veri dağılımının' ve 'öznitelik seçiminin' sınıflandırma üzerindeki etkileri incelenmiştir. Bu incelemeler Weka 3.8 yazılımında yer alan Naive Bayes (NB), Sıralı Minimal Optimizasyon (SMO) ve 1-en yakın komşu (IB1) sınıflandırma algoritmaları kullanılarak ve 16 farklı model oluşturularak yapılmıştır. Elde edilen deneysel sonuçlarda dengesiz veri kümesinin, dengeli veri kümesine göre daha iyi performans sağladığı gözlemlenmiştir. Ayrıca veri kümelerinde öznitelik seçimi yapıldığı durumlarda da veri kümelerinin daha iyi performans sağladığı gözlemlenmiştir. En iyi performansı gösteren sınıflandırma algoritması ise dengesiz veri kümesi üzerinde öznitelik seçimi yapıldığında ortalama %93,52 sınıflandırma doğruluğu ile kNN olmuştur.
Özet (Çeviri)
The analysis for extracting meaning from text data can change rapidly with technological developments. The customers' feedback about the products/services that purchase and the messages/comments that write on social media platforms are searchable and interpretable. This situation adds meaning to the text data. The use of the information obtained by the analysis of this text data adds value to the enterprises. In this thesis, a sentiment analysis of social media comments is performed by using supervised learning approach from machine learning techniques. Naive Bayes, Sequential Minimal Optimization (SMO), k-nearest neighbor (kNN = IBk) algorithms are used in the supervised learning classification algorithms. The data set created from the comments made for some e-commerce companies, their products / services is obtained by using Twitter platform. Social media interpretations are gathered into three groups, labeled manually as positive, negative and neutral. In this study, the effect of 'data distribution in groups' and 'attribute selection' on the success results of Naive Bayes (NB), Sequential Minimal Optimization (SMO) and 1-nearest neighbor (IB1) classification algorithms in Weka 3.8 software are examined by creating 16 different models. It is observed that the unbalanced data set provided better performance than the balanced data set. In addition, it is observed that data sets perform better when attribute selection is made in data sets. The best performing classification algorithm is kNN with 93,52% classification accuracy rate when the attribute selection is made on unbalanced data set.
Benzer Tezler
- Makine öğrenmesi algoritmaları kullanarak, metin madenciliği ve duygu analizi ile müşteri deneyiminin geliştirilmesi
Improving customer experience with text mining and sentiment analysis using machine learning algorithms
ERSİN KARAMANLI
- Metin madenciliği ile e-ticaret sitelerinin belirlenmesi
Determination of e-commerce sites by text mining
TUĞBA KAŞIKÇI
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. HADİ GÖKÇEN
- Extreme learning machine and text mining approach in sentiment analysis on massive open online course evaluations
Kitlesel çevrimiçi açık ders değerlendirmelerinde duygu analizinde aşırı öğrenme makinesi ve metin madenciliği yaklaşımı
RUMEYSA ERDOĞAN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHA ŞEN
DOÇ. DR. FATMA GİZEM KARAOĞLAN YILMAZ
- Amazon müşteri yorumlarının duygu analizi yöntemleriyle değerlendirilmesi
Evaluating Amazon customer reviews through sentiment analysis techniques
SABUHI YUSIFOV
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOstim Teknik ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ SEBETCİ
- Makine öğrenmesi yaklaşımı ile e-ticaret sitesi uygulamalarının müşteri yorumlarına yönelik duygu analizi
Sentiment analysis of customer comments of e- commerce site applications with a machine learning approach
FATMA YILMAZ
Yüksek Lisans
Türkçe
2024
İşletmeHaliç ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKÇE KARAHAN ADALI