Sentiment analysis for Turkish Twitter feeds

Çoban, Önder; Ozyer, Baris; Özyer, Gülşah Tümüklü

doi:10.1109/siu.2015.7130362

Cited by 52 publications

(38 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In Turkish, emojis and emoticons are mostly used as a subtask for the improvement of a sentiment analysis method. For instance, Coban et al [7] leverage emoticons to address the sentiment analysis problem and uses positive and negative emoticons to assign labels for the sentiments. They use Support Vector Machine (SVM), Naive Bayes, Multinomial Naive Bayes (MNB) and knearest neighbors algorithms that are based on BoW and n-gram vector representations.…”

Section: Related Workmentioning

confidence: 99%

An Active Learning Based Emoji Prediction Method in Turkish

Inan

2020

ijisae

View full text Add to dashboard Cite

Emoji usage has become a standard in social media platforms since it can condense feelings beyond short textual information. Recent advances in machine learning enable to write short messages with automatically detected emojis. However, the prediction of emojis for the given short message can be complicated, inasmuch as users can interpret different meanings beyond the intent of their designers. Therefore, an automatic extraction strategy of training samples cannot be convenient from the large volumes of unlabelled tweets. In this paper, we present an active learning method to evaluate the emoji prediction of a tweet with a limited number of labelled Turkish emoji dataset. To simulate a human-machine collaborative learning method, we train an initial classifier with this dataset and then we update the classifier by filtering related samples out from the large pool of unlabelled data. In the evaluation, we split 25% randomly selected tweets combined with only one emoji from the generated dataset as a test case. Our active learning method has achieved 0.901 F1 score and outperforms other baseline supervised learning methods.

show abstract

Section: Related Workmentioning

confidence: 99%

An Active Learning Based Emoji Prediction Method in Turkish

Inan

2020

ijisae

View full text Add to dashboard Cite

show abstract

“…), ünlem (! ), virgül (,), tek tırnak (') gibi noktalama işaretleri, *, +, /,# gibi çeşitli karakterler, his simgeleri ve rakamlar metin içerisinden çıkarılır [20,24].…”

Section: Dönüştürme (Transformation)unclassified

“…Her dilin kendine özgü durak kelimeleri var olmakla birlikte, standart bir liste yoktur [24]. Genellikle, durak kelimeler baz alınarak durak kelime listesi oluşturulur ve bu durak kelime listesine göre gereksiz kelimeler çıkarılır [17].…”

Section: Kök Bulma (Stemming)unclassified

“…Dokümanlarda çok sık kullanılan kelimelerin ayrım güçleri çok az olduğu için maksimum geçiş sayısına göre de filtre uygulanabilir [30]. Kelime içerisinde tekrar eden harflerin bire indirgenmesi amacıyla metin normalizasyonu yapılabilir [24]. Örneğin; kelime "selammmmm" ise bu kelime "selam" şekline dönüştürülebilir.…”

Section: Terim Ayıklama (Term Elemation)unclassified

See 1 more Smart Citation

‘Tamam’ ve ‘Devam’ Etiketleriyle Atılan Tweetler ile Cumhur ve Millet İttifakı Grupları Arasındaki İlişkinin İncelenmesi

Gümüşsu¹,

Murat

2019

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

Teknoloji kullanımın her geçen gün artmasıyla birlikte sosyal medya ve internet kullanımı hızla yaygınlaşmaktadır. Özellikle sosyal medya kullananların sayısının artmasıyla insanlar duygu ve düşüncelerini, gündemle ilgili görüş ve fikirlerini sosyal medya araçlarını kullanarak paylaşmaktadır. En çok kullanılan sosyal medya araçlarından biri olan Twitter ve Facebook gibi sosyal ağ uygulamalarında paylaşılan içerikler yapısal olmayan veri türleridir. Bunun gibi yapısal olmayan metin içerikli verilerin yapısal hale dönüştürülmesinde ve analiz edilmesinde metin madenciliği yöntemleri kullanılmaktadır. Bu çalışmada, 24 Haziran Cumhurbaşkanlık ve Milletvekili Seçimlerinde 'Tamam' ve 'Devam' etiketleriyle atılan tweetler metin madenciliği yöntemleri kullanılarak analiz edilmiştir. Metin ön işlem aşamasında kelimelerin köklerini bulmak için Zemberek kök bulma yöntemi ve ağırlıklandırma yöntemi olarak ise terim frekansı (TF) ağırlıklandırma yöntemi uygulanmıştır. Oluşturulan sınıflar arasındaki ilişkiyi ölçmek amacıyla korelasyon analizi yapılmıştır. Kruskal Wallis Testi ile frekans terim ağırlıklarının sınıflara göre farklılığı test edilmiştir. Elde edilen özelliklerin terim frekansı (TF) değerlerine göre kelime bulutları oluşturulmuştur.

show abstract

“…Çoban vd. Türkçe twitter verilerini kullanarak eğittikleri NB, Multinomial Naive Bayes (MNB), DVM ve KNN modellerinde %66,06 başarı oranı elde etmişlerdir [7]. Kranjc vd.…”

Section: Gi̇ri̇ş (Introduction)unclassified

Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması

Kaynar¹,

Aydın²,

Görmez³

2017

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

Özet-Günümüz teknolojisinde internetin her kesim tarafından çok yoğun olarak kullanılmasından dolayı insanlar artık görüş, fikir ve hislerini sosyal paylaşım siteleri, forum, blog benzeri birçok ortam aracılığı ile paylaşmaya başlamıştır. Ancak her geçen gün artan veri sayısı ve boyutu, bu verilerden manuel olarak anlamlı bilgiler çıkartılmasını çok zahmetli ve pahalı bir iş haline getirmektedir. Otomatik olarak verinin duygu içerip içermediğinin saptanması ve bu duygunun olumlu, olumsuz veya tarafsız olma durumunun belirlenmesi duygu analizi yardımıyla gerçekleştirilmektedir. Duygu düşünce analizinde, konuşma dilinin karmaşıklığı, değerlendirilen metin sayısının fazlalığı ve uzunluğu, çok sayıda gereksiz ve gürültü içeren öznitelik vektörüne neden olmaktadır. Boyut problemi olarak adlandırılan bu durum hesaplama zamanın artmasına ve sınıflama hatalarına yol açmaktadır. Bu çalışmada ise bahsedilen problemlere çözüm olarak önerilen derin öğrenme tabanlı oto kodlayıcı (Autoencoder) modeli ile gürültü giderici oto kodlayıcı (Denoising Autoencoder) modeli boyut düşürme tekniği olarak kullanılmış ve literatürde yaygın olarak kullanılan diğer boyut düşürme teknikleri ile kıyaslanmıştır. Elde edilen tüm veri setleri için sınıflama algoritması olarak Destek Vektör Makinaları ve Yapay Sinir Ağları kullanan farklı modeller geliştirilmiştir. Yapılan analizlerin sonucunda, boyut düşürme tekniklerinin duygu analizi için elde edilen sonuçları iyileştirdiği, önerilen oto kodlayıcı modellerinin ise var olan tekniklere benzer ya da onlardan daha iyi sonuçlar aldığı gözlemlenmiştir.Anahtar Kelimeler-Boyut düşürme, Oto kodlayıcı, Yapay sinir ağları, Destek vektör makineleri, Duygu analizi, Derin öğrenme Comparison of Feature Reduction Methods with Deep Autoencoder Machine Learning in Sentiment AnalysisAbstract-Because the internet is extensively used by people from all strata with today's technology, people now share their opinions, ideas and feelings through a variety of media such as social networking sites, forums and blogs. However, the number and size of data that is increasing day by day makes it very laborious and expensive to extract meaningful information manually from these data. Determination of whether data includes emotions or not automatically and determination of these feelings being positive, negative and neutral are performed by sentiment analysis. In sentiment analysis, the complexity of the speech language, the excessive number and length of texts being evaluated causes a large number of unnecessary and noise-containing feature vectors. This situation, which is called dimensionality problem, leads to increase of computation time and classification errors. In this study, a deep autoencoder model and a denoising autoencoder model are proposed and used as dimension reduction methods to overcome mentioned problems and compared with other feature reduction methods commonly used in literature. For all data sets obtained, different models have been developed using Support Vector Machines and Artificial Neural Networks ...

show abstract

Sentiment analysis for Turkish Twitter feeds

Cited by 52 publications

References 9 publications

An Active Learning Based Emoji Prediction Method in Turkish

An Active Learning Based Emoji Prediction Method in Turkish

‘Tamam’ ve ‘Devam’ Etiketleriyle Atılan Tweetler ile Cumhur ve Millet İttifakı Grupları Arasındaki İlişkinin İncelenmesi

Sentiment Analizinde Öznitelik Düşürme Yöntemlerinin Oto Kodlayıcılı Derin Öğrenme Makinaları ile Karşılaştırılması

Contact Info

Product

Resources

About