Makine öğrenmesi algoritmaları kullanılarak twıtter mobil oyun verilerinde duygu analizi
Sentiment alanysis in twitter mobile game datas using machine learning algorithms
- Tez No: 706601
- Danışmanlar: DOÇ. DR. RECEP ÖZDAĞ
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Duygu analizi, Makine öğrenmesi yöntemleri, Mobil oyunlar, Oylama, Sınıflama yöntemleri, Sentiment analysis, Machine learning methods, Mobile games, Voting, Classification methods
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Van Yüzüncü Yıl Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, Türkiye'de ki hem de yabancı ülkelerdeki Twitter kullanıcılarının mobil oyunlar ile alakalı yazdıkları Türkçe ve İngilizce tweetlerin olumlu ve olumsuz bakımdan incelenerek duygu analizinin yapılması ve mobil oyuncu kitlesinin mobil oyunlar hakkındaki pozitif veya negatif bakış açıları esas alınarak mobil oyun üreticilerine mobil oyunlar hakkında fikir vermesi ve yol göstermesi amaçlanmıştır. Bu amaçlar doğrultusunda, Twitter üzerinden elde edilen mobil oyunlarla alakalı 376.431 adet Türkçe ve 1.839.274 adet İngilizce olmak üzere toplam 2.215.708 adet tweet kullanılmıştır. Lojistik Regresyon, Rastgele Orman Sınıflayıcısı, K-Komşu Sınıflayıcısı, Doğrusal Destek Vektör Sınıflayıcısı, Çok terimli Naïve Bayes Sınıflayıcısı, Bernoulli Naïve Bayes Sınıflayıcısı, Sırt Sınıflayıcısı, Pasif-Agresif Sınıflayıcısı, Çok Katmanlı Algılayıcı Sınıflayıcısı, Oylama Sınıflayıcısı, Evrişimsel Sinir Ağı sınıflayıcısı ve Uzun Kısa Süreli Bellek Sınıflayıcısının kullanıldığı bu tez çalışmasında, İngilizce ve Türkçe veri setleri için ayrı ayrı modeller oluşturularak, sınıflayıcıların performansları karşılaştırılmıştır. TEMSAP-CNNLSTM (CNN-LSTM tabanlı Twitter Mobil Oyun Duyarlılık Analizi Yaklaşımı) adlı bir model geliştirilmiştir. Yapılan analizler sonucunda mobil oyun İngilizce test veri seti için TEMSAP-CNNLSTM modelinde 0.93'lük doğruluk değeri ve Oylama sınıflayıcısında 0.91'lik doğruluk değeri elde edilmiştir. Mobil oyun Türkçe test veri setinde TEMSAP-CNNLSTM modelinde 0.92'lik doğruluk değeri ve oylama sınıflayıcısında 0.90'lık doğruluk değeri elde edilmiştir. TEMSAP-CNNLSTM modelinin ve oylama sınıflayıcısının diğer algoritmalardan daha uzun çalışma süresinde daha başarılı sonuçlar verdiği tespit edilmiştir.
Özet (Çeviri)
The aim of this thesis is to analyze the positive and negative aspects of tweets written by Twitter users in Turkey and abroad about mobile games in Turkish and English, and to analyze mobile games based on the positive or negative views of mobile gamers about mobile games in order to give an idea and guide to mobile game manufacturers. For these purposes, a total of 2.215.708 tweets, 376.431 in Turkish and 1.839.274 in English, related to mobile games were obtained via Twitter. Logistic Regression, Random Forest classifier, K-Neighbour classifier, Linear Support Vector classifier, Multinomial Naïve Bayes classifier, Bernoulli Naïve Bayes classifier, Ridge classifier, Passive-Aggressive classifier, Multilayer Perceptron classifier, Voting classifier, Convolutional Neural Network classifier, Long-Short-Term Memory classifier used for this thesis and the performance of the classifiers is compared by creating separate models for English and Turkish datasets. A model called TEMSAP-CNNLSTM (CNN-LSTM-based Twitter Mobile Game Sentiment Analysis Approach) was developed. As a result of the analysis, for the English mobile game test dataset, an accuracy value of 0.93 was obtained for the TEMSAP-CNNLSTM model and an accuracy value of 0.91 was obtained for the voting classifier. For the Turkish mobile game test dataset, an accuracy value of 0.92 was obtained for the TEMSAP-CNNLSTM model and an accuracy value of 0.90 was obtained for the voting classifier. It was found that the TEMSAP-CNNLSTM hybrid model and the voting classifier, one of the collective learning methods, produced more successful results in a longer working time than other machine learning algorithms.
Benzer Tezler
- Twitter verisi ile Türkiye'de influenza trendlerinin takibi
Tracking influenza trends in Turkey with Twitter data
RIDVAN ALPAY KURBALOĞLU
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
PROF. DR. MEHMET ALPER TUNGA
- Makine öğrenmesi yöntemleri kullanılarak uzaktan eğitim konulu Türkçe tweetlerin duygu analizi
Turkish tweets on distance education using machine learning methods sentiment analysis
ALİ CAN AKDENİZ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL BABAOĞLU
- Makine öğrenmesi yöntemleri kullanılarak atılan havayolu twitlerinin analiz edilmesi
Analysis of airline tweets by using machine learning methods
UFUK BEZEK
Yüksek Lisans
Türkçe
2020
Mühendislik Bilimleriİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ PARVANEH SHAMS
- Hızlandırılmış makine öğrenmesi algoritmaları ile Türkçe sahte haber tespiti
Fake news detection in Turkish with accelerated machine learning algorithms
ELİF YILDIRIM
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ FINDIK
- Türkiye'deki havayolu firmalarıyla ilgili sosyal medya yorumlarının makine öğrenmesi yöntemleriyle sınıflandırılması
Classification of social media comments about airline companies in Turkey by machine learning methods
HATİCE ELİF EKİM
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALPASLAN BURAK İNNER