Duygu analizi için n-aşamalı Gizli Dirichlet Ayırımı ile diğer konu modelleme yöntemlerinin karşılaştırılması

Abstract

Sosyal medyada yer alan paylaşımlara ait duyguları anlamak, insanların düşüncelerini öğrenmede kilit bir rol almaktadır. Gelişen teknoloji ile insanın duygusunu bilmek, çeşitli alanlarda yarar sağlamaktadır. Örneğin medya, pazarlama ve reklam gibi alanlar insanların kullanımlarına ve fikrine özgü içerikleri kullanıcıya yansıtabilme imkanı tanımaktadır. Çalışmamızda konu modelleme algoritmalarından Gizli Dirichlet Ayırımı (GDA), Gizli Anlamsal Analiz (GAA) ve Olasılıksal-Gizli Anlamsal Analiz (O-GAA) Türkçe tivitlerden kişilerin duygularını belirlemede kullanılmıştır. Ayrıca, GDA algoritmasının geliştirilen n-aşamalı halinin duygu analizindeki başarısı mevcut yöntemlerle de karşılaştırılmıştır. Kullanılan veri seti kızgın, korku, mutlu, üzgün ve şaşkın olmak üzere 5 farklı duyguya ait 4000 tivitten oluşmaktadır. Tüm konu modelleme yöntemleri 3 ve 5 sınıflı veri seti için modellenerek başarıları ve çalışma süreleri ölçülmüştür. Geliştirilen n-aşamalı GDA yönteminin, GDA ve O-GAA’ya göre çalışma süresi ve performansı açısından başarı sağladığı gözlemlenmiştir. En başarılı ve en hızlı modellenen yöntem ise GAA olmuştur.Understanding the emotions of sharing in social media plays a key role in learning people's thoughts. Knowing the emotion of human being with developing technology provides benefit in various fields. For example, media, marketing and advertising areas allow people to reflect on their use and idea specific content. In our study, Latent Dirichlet Allocation (LDA), Latent Semantic Analysis (LSA) and Probabilistic-Latent Semantic Analysis (P-LSA) were used to determine the emotions of individuals from Turkish tweets. In addition, the success of the developed n-stage state of the LDA algorithm in the emotion analysis was compared with the existing methods. The dataset consists of 4000 tweets of 5 different emotions, including angry, fear, happiness, sadness and surprise. All topic modeling methods were modeled for 3 and 5 class datasets and their successes and running times were measured. It has been observed that the developed n-stage LDA method achieves success in terms of running time and performance according to LDA and P-LSA. The most successful and fastest modeled method was LSA.