Makine öğrenmesi algoritmaları kullanılarak twıtter mobil oyun verilerinde duygu analizi


Dr. Öğr. Üyesi Erol Kına

Tez Türü: Doktora

Tezin Yürütüldüğü Kurum: Van Yüzüncü Yıl Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik (Dr), Türkiye

Tez Danışmanı: Recep Özdağ

Tezin Onay Tarihi: 2022

Tezin Dili: Türkçe

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Desteklendiği Program: Bu tezi destekleyen bir program bulunmamaktadır

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.