Yaşam boyu duygu analizi ile müşteri ürün yorumlarının sınıflandırılması

Abstract

Bu çalışmada, farklı alanlardan toplanan müşteri yorumlarının yaşam boyu öğrenme yaklaşımı kapsamında duygu sınıflandırması yapılmıştır. Bu sınıflandırma için bir online alışveriş sitesinden rastgele seçilmiş farklı ürünlerden toplanan müşteri yorumları kullanılmıştır. Her bir ürün, yaşam boyu öğrenme yaklaşımı için farklı bir alan olarak ele alınmıştır. Müşteri yorumları, ön işleme sürecinden geçirilmiş ve kelime vektörlerinin oluşturulmasında Countvectorizer ve TF-IDF yöntemleri kullanılmıştır. Yaşam boyu duygu sınıflandırması kapsamında yaşam boyu naive Bayes ve yaşam boyu lojistik regresyon sınıflandırma yöntemleri kullanılmış ve Python programlama dili ile kodlanmıştır. Bu iki yönteme ek olarak literatürden esinlenilerek toplama dayalı duygu sınıflandırması modeli oluşturulmuştur. Toplama dayalı duygu sınıflandırması, kelime sıklıklarının toplamına dayalı bir yaşam boyu öğrenme sürecini esas almaktadır. Kullanılan tüm yöntemlerin performansları karşılaştırılmış ve en iyi sonucu veren yöntemin, toplama dayalı duygu sınıflandırması modeli olduğu görülmüştür. Elde edilen tüm sonuçlar değerlendirildiğinde ele alınan problem, hem yaşam boyu duygu sınıflandırması algoritmalarının performanslarının test edilmesi ve karşılaştırılması açısından hem de e-ticaret işlemleri için önemli ve günceldir. Ayrıca yaşam boyu öğrenme kapsamında ilk kez Türkçe veri kümesi kullanılarak yapılan bu çalışmanın, sonraki çalışmalar için bir rehber niteliğinde olduğu söylenebilir.

In this study, sentiment classification of customer comments collected from different areas was performed within the scope of lifelong learning approach. Customer comments collected from different products randomly selected from an online shopping site were used for this classification. Each product was considered as a different area for lifelong learning approach. Customer comments were preprocessed and Countvectorizer and TF-IDF methods were used to form word vectors. Lifelong naive Bayes and lifelong logistic regression classification methods were used within the scope of lifelong sentiment classification, and coded with Python programming language. In addition to these two methods, an aggregation-based sentiment classification model was presented inspired by the literature. Aggregation-based sentiment classification is based on a lifelong learning process based on the sum of word frequencies. The performances of all methods used were compared, and it was observed that the method that gave the best result was the aggregation-based sentiment classification model. When all the obtained results were evaluated, the problem addressed is important and up-to-date both in terms of testing and comparing the performances of lifelong sentiment classification algorithms and for e-commerce transactions. In addition, it can be said that this study, which was conducted for the first time using Turkish dataset within the scope of lifelong learning, is a guide for future studies.