Search

Klasik duygu analizi yöntemlerinden farklı olarak hedef tabanlı duygu analizi (HTDA), birden fazla kategorinin olduğu karmaşık yapıdaki çevrimiçi tüketici geribildirimlerini değerlendirmede daha başarılı bir performans ortaya koyabilmektedir. Nitekim bir platformda yer alan tüketici geri bildirimleri bir ürüne ilişkin birden farklı hedefe atfedilebilmektedir ve standart duygu analizleri bu geribildirimleri analiz etmede yetersiz kalmaktadır. Literatürdeki gelişmeler gözden geçirildiğinde, HDTA çalışmalarının, duygu analizine odaklanan diğer çalışmalar içinde oldukça popüler olduğu anlaşılmaktadır. SemEval ABSA-2016 yarışmasında, HTDA için 8 farklı dilde veri setleri yayınlanmış ve ekipler duygu analizi için yarışmışlardır. Yarışmada hedef terim, kategori ve duygu sınıfı tespit etmek gibi farklı alt görevler bulunmaktadır. Bu alt görevlerin içindekilerden biri, hedef terimin tespit edilmesidir. Türkçe dili için HTDA çalışmaları oldukça sınırlıdır. Farklı diller ve farklı kelime temsil yöntemleri kullanan çalışmalar vardır. SemEval Absa 2016 yarışması Türkçe veri seti için kelime temsil yöntemlerinin etkisini inceleyen çalışma bulunmamaktadır. Bu çalışma, müşteri yorumlarındaki hedef terimlerin tespitinde farklı kelime temsil yöntemlerinin başarısının incelenmesi amacıyla gerçekleştirilmiştir. Word2Vec, Glove ve Fasttext kelime temsil yöntemleri analiz kapsamında incelenmiş ve hedef terimi en başarılı tespit edebilen yöntemin Fasttext kelime temsil yöntemi olduğu görülmüştür. Çalışmada ayrıca F-1 sınıflandırma ölçütü açısından %77 başarı oranı ile Türkçe veri seti için literatürdeki en yüksek sınıflandırma başarısı elde edilmiştir., Unlike classical sentiment analysis methods, Aspect-Based Sentiment Analysis (ABSA) can demonstrate a more successful performance in evaluating complex online consumer feedbacks including more than one category. As a matter of fact, consumer feedbacks on a platform can be referred to more than one aspect regarding a product, and standard sentiment analysis method is insufficient to analyse these comments. When the developments in the literature are reviewed, it is understood that HDTA studies are very popular among other studies focusing on sentiment analysis. In the SemEval ABSA-2016 competition, datasets were published in 8 different languages for HTDA and the teams competed for sentiment analysis. There are different subtasks in the competition, determining sub-categories such as aspect term, category and sentiment class. One of these subtasks is to determine the aspect term. HTDA studies for Turkish language are quite limited. There are studies using different languages and different word representation methods. There is no study examining the effect of word representation methods for the Turkish data set of SemEval Absa 2016 competition. This study was carried out to examine the success of different word representation methods in identifying aspect terms in customer comments. This study was carried out with the aim of examining the success of different word representation methods in identifying target terms in customer comments. Word2Vec, Glove and Fasttext word representation methods were examined within the scope of the analysis and it was seen that the method that could detect the aspect term most successfully was the Fasttext word representation method. The highest classification success for Turkish dataset in the literature with a success rate of 77% in terms of the F-1 score was also achieved in the study.

In terms of death rates in the world, heart diseases are at the top. It is stated that the number of people who died from heart diseases will increase in the coming years. The only positive aspect of heart diseases is that these diseases can be prevented. In terms of preventing diseases, methods such as machine learning are frequently used in recent years. There are many studies conducted with different methods and different success rates until today. In this study, a new method is proposed in which the Anfis ((Adaptive Neuro-Fuzzy Inference System)) and Fuzzy C Means are used together to predict heart diseases and the success rate is increased significantly. In the study firstly, the data were clustered with Fuzzy C Means. Then, the cluster membership values were used in the modeling and training of the Anfis system. The results obtained by dividing the data five two fuzzy clusters have been found to significantly increase the success of the ANFIS system. The success rate of the system, which has been tested with K fold cross method, has been determined as % 9835. The obtained results were compared with the studies performed with the same dataset in the literature. As a result, it is thought that the method proposed in this study can be used in estimating heart diseases with its accuracy classification rate., Dünyada ölüm oranları bakımından kalp hastalıkları üst sıralarda yer almaktadır. Önümüzdeki yıllarda kalp hastalıklarından dolayı ölenlerin sayısının daha da artacağı belirtilmektedir. Kalp hastalıklarında tek olumlu yön ise bu hastalıkların önlenebilir olmasıdır. Hastalıkların önlenmesi bakımından son yıllarda makine öğrenmesi gibi yöntemler sıklıkla kullanılmaktadır. Bugüne kadar farklı yöntemlerle gerçekleştirilmiş birçok çalışma ve farklı başarı oranları bulunmaktadır. Bu çalışmada, kalp hastalıklarının tahmin edilmesinde Anfis (Adaptive Neuro-Fuzzy Inference System) ve Bulanık K Ortalamalar yöntemlerinin bir arada kullanıldığı ve başarı oranının ciddi düzeyde artırıldığı yeni bir yöntem önerilmektedir. Çalışmada veriler öncelikle Bulanık K Ortalamalar ile kümelendirilmiştir. Daha sonra elde edilen küme üyelik değerleri Anfis sisteminin modellenmesi ve eğitiminde kullanılmıştır. Verilerin beş bulanık kümeye ayrılması ile elde edilen sonuçların Anfis sisteminin başarısını ciddi düzeyde artırdığı görülmüştür. K kat çaprazlama yöntemi ile test edilen sistemin başarı oranı %9835 olarak tespit edilmiştir. Elde edilen sonuçlar literatürde aynı veri seti ile gerçekleştirilen çalışmalarla kıyaslanmıştır. Sonuç olarak bu çalışmada önerilen yöntemin doğru sınıflandırma oranı ile kalp hastalıkları tahmininde kullanılabileceği düşünülmektedir.