Atıf Sayısı
5
Görüntüleme
50
İndirme
13
Duygu analizi (görüş madenciliği), metin belgeleri içerisinde yer alan nesnelere, ürünlere, servislere ya da organizasyonlara ilişkin görüş, duygu, tutum gibi öznel bilgilerin, makine öğrenmesi, istatistik ve doğal dil işleme gibi alanlardan teknik ve yöntemlerin kullanılması ile çıkarılmasını amaçlayan bir araştırma alanıdır. Duygu analizi, yapısal olmayan bilgiden, yapısal, anlamlı ve kullanışlı bilgiler çıkarılmasını olanaklı hale getirir. Bu bilgi, karar destek sistemleri ve bireysel karar vericiler için önemli bir kaynak olarak işlev görür. Evrişimli sinir ağları, veriyi ızgara benzeri bir topoloji ile işleyen bir tür derin öğrenme yöntemidir. Bu çalışmada, Türkçe metin belgeleri üzerinde duygu analizi için, evrişimli sinir ağı tabanlı üç temel derin öğrenme mimarisinin etkinliği değerlendirilmektedir. Çalışma kapsamında önerilen birinci mimaride, gömme katmanında, metin belgesinde yer alan kelimeler için, kelime gömme yöntemleri tabanlı temsil elde edilmektedir. Ardından, evrişim katmanları yığını (1-gram, 2-gram ve 3-gram) kullanılarak 1-gram, 2-gram ve 3-gram tabanlı özniteliklerin çıkarımı gerçekleştirilmektedir. Her bir katmanda, öznitelik haritalarının oluşturulması için sabit sayıda 80 filtre uygulanmaktadır. İncelenen ikinci evrişimli sinir ağı tabanlı mimaride gömme katmanı sonucu elde edilen metin temsili, yinelenen evrişim ve maksimum havuzlama katmanlarına tabi tutulmaktadır. İncelenen üçüncü mimari ise, evrişim tabanlı piramit mimarisidir. Metin belgelerinin temsilinde, word2vec, fastText, GloVe ve LDA2vec olmak üzere dört temel kelime gömme yöntemi incelenmektedir. İncelenen evrişimli sinir ağı tabanlı mimarilerin, Türkçe duygu analizi için, geleneksel makine öğrenmesi sınıflandırıcılarına (k-en yakın komşu algoritması, destek vektör makineleri, lojistik regresyon ve Naive Bayes algoritması) ve temel derin öğrenme mimarilerine (tekrarlayan sinir ağları, uzun kısa süreli bellek birimleri ve geçitli tekrarlayan birim) kıyasla daha yüksek başarım elde ettiği görülmektedir. Word2vec (Skip-gram modeli) kelime kodlaması yöntemi ile evrişimli sinir ağı tabanlı mimari ile %92.53 doğru sınıflandırma oranı elde edilmiştir.
Emotional analysis (visual mining) is a field of research that aims to extract the objects, products, services, or organizations, such as views, feelings, attitudes, machine learning, statistics and natural language processing, with the use of techniques and methods. Emotional analysis enables the extract of structural, meaningful and useful information from non-structured information. This information serves as an important source for decision support systems and individual decision makers. Evolutionary nerve networks are a type of deep learning method that processes data with a net-like topology. In this study, for emotional analysis on Turkish text documents, the effectiveness of the three basic deep learning architecture based on the evolutionary nerve network is assessed. In the first recommended architecture in the framework of the study, for the words in the burial layer, in the text document, word burial methods are obtained on the basis of representation. Then, the extraction of the properties based on 1 gram, 2 gram and 3 gram is performed using the mass of evolutionary layers (1-gram, 2 gram and 3 gram). In each layer, a fixed number of 80 filters are applied to the creation of proprietary maps. The text representation obtained as a result of the burial layer of the second evolutionary nerve network based in the architecture is subject to repeated evolution and maximum swimming layers. The third examined architecture is the pyramid architecture based on evolution. In the representation of text documents, four basic word embedding methods are studied: word2vec, fastText, GloVe and LDA2vec. The reviewed evolutionary nerve network-based architectures, for Turkish emotional analysis, appear to have greater success compared to traditional machine learning classifiers (k-the closest neighbour algorithm, support vector machines, logistics regression and Naive Bayes algorithm) and basic deep learning architectures (repetitive nerve networks, long-term memory units and passive repetitive units). Word2vec (Skip-gram model) word coding method has achieved a 92.53% correct classification rate with evolutionary nerve network-based architecture.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
