Destek Vektör Makinesi Yöntemi ile Bir Duygu Çözümlemesi Evrim Kasaba1, Engin Yıldıztepe1

Tablo 1. Filmlere ait yorumların dağılımı

	Nadide Hayat	Delibal
Olumlu	195	156
Olumsuz	34	46
Toplam	229	202

DVM yöntemi ile eğitilen modellerin çapraz geçerlilik sonuçlarına göre “Delibal” için %83, “Nadide Hayat” için %91 doğruluk oranı elde edilmiştir.

Şekil 3: “Delibal” için model doğrulama sonuçları

Şekil 4: “Nadide Hayat” için model doğrulama sonuçları
5. Sonuç
Bu çalışmada, Türkçe twitter mesajları kullanılarak DVM yöntemi ile bir duygu çözümlemesi yapılmıştır. Çalışmada Türkçe iki film için Twitter’da paylaşılan yorumlar kullanılmıştır. DÇ çalışmalarına olan ilgi giderek artmaktadır. Bunun en önemli sebebi, sosyal medya veya blog sitelerinden istenilen konuda bol miktarda verinin derlenebilmesidir. Internet kullanıcılarının ürünler, hizmetler, olaylar, kişiler hakkındaki yorumlarını paylaştıkları blog sayfaları ve sosyal medya siteleri, bu yorumları incelemek isteyen araştırmacılar için geniş bir veri kaynağı haline gelmiştir. Mikro blog sitesi olarak tanımlanan Twitter bu konudaki çalışmalarda sıklıkla kullanılmaktadır. Farklı programlama teknikleri ile istenilen etiket için çok sayıda tweet elde edilebilmektedir. Ancak 140 karakterlik mesaj sınırı ve kendine has yazım jargonu nedeniyle analizlerde kullanılabilecek mesaj sayısı oldukça azalmaktadır. Bu çalışmada eğitim kümesi olarak başlangıçta elde edilen mesajların ancak yaklaşık %10’u kullanılabilmiştir.
Literatürde yer alan hizmetin veya ürünün değerlendirilmesine yönelik yöntemlerin tamamında, bir anket aracılığıyla görüşlerin alınması bulunmaktadır. DÇ’de benzer amaçla uygulanabilir. Anket ile yapılan çalışmaların zaman alıcı ve maliyetli olduğu, ayrıca tüm kitleye ulaşmanın -genellikle- imkânsız olduğu bilinmektedir. Sosyal medya ve blog siteleri ile geniş kitlelere kolayca ulaşarak, görüşlerini almak, sonrasında DÇ ile değerlendirmeler yapmak mümkün olabilir. Ayrıca, yorum yapan kişilerin değerlendirilme kaygısı olmadan yazdıkları mesajlar daha objektif sonuçlar üretilmesini de sağlayabilir.
6. Kaynaklar
[1] Cortes, C., Vapnik, V., “Support-Vector Network”, Machine Learning, 20(3) (1995).
[2] Çetin, M., Amasyalı, M., F., “Eğiticili ve Geleneksel Terim Ağırlıklandırma Yöntemleriyle Duygu Analizi”, Proceedings of Signal Processing and Communications Applications Conference (SIU), (2013).
[3] Go, A., Huang, L., Bhayani, R., “Twitter Sentiment Analysis”, Entropy, 17 (2009).
[4] Jurka, T. P., Collingwood, L., Boydstun, A. E., Grossman, E., & van Atteveldt, W. "RTextTools: A supervised learning package for text classification." The R Journal, 5(1): 6-12 (2013).

[5] Özkan, Y., “Veri Madenciliği Yöntemleri”, Papatya Yayıncılık Eğitim (2008).

[6] Pang, B., Lillian L., Shivakumar V., "Thumbs up?: sentiment classification using machine learning techniques." Proceedings of the ACL-02 conference on Empirical methods in natural language processing, Association for Computational Linguistics, Vol.10, (2002).
[7] Sevindi, İ. B., “Türkçe Metinlerde Denetimli ve Sözlük Tabanlı Duygu Analizi Yaklaşımlarının Karşılaştırılması”, Yüksek Lisans Tezi (2013).