Makine Öğrenmesi ve Derin Öğrenme Modellerine Dayalı Yapay Zekâ Kullanılarak Sosyal Medya Duygu Analizi

Abstract

Modern dünya, milyonlarca kullanıcının günlük olarak bağlantı kurmasını ve çeşitli konularda çeşitli görüşler paylaşmasını sağlayan temel iletişim araçları olarak sosyal ağlara güvenmektedir. Twitter, dünya çapında geniş bir kullanıcı kitlesini destekleyen önde gelen bir mikroblog platformu olarak durmaktadır. Twitter, çeşitli bakış açılarının yanı sıra çeşitli içeriklere ev sahipliği yaptığı için duygu analizi için önemli bir kaynak görevi görmektedir. Araştırma, olumlu ve olumsuz kategoriler arasındaki kullanıcı duygularını belirlemek için Twitter verileri için duygu analizi yöntemlerini araştırmaktadır. Araştırma, farklı sınıflandırma modellerini eğitmek ve değerlendirmek için 180.000'den fazla etiketli tweet içeren bir kıyaslama veri kümesi kullanmıştır. Uygulanan geleneksel makine öğrenimi algoritmaları arasında Rastgele Orman (RF), Lojistik Regresyon (LR), Karar Ağacı (DT), Naive Bayes (NB), K-En Yakın Komşular (KNN) ve Stokastik Gradyan İnişi (SGD) bulunur. Ek olarak, Evrişimli Sinir Ağı-Uzun Kısa Süreli Bellek (CNN-LSTM) mimarisini birleştiren gelişmiş bir derin öğrenme modeli. Bu modellerin performansını değerlendirmek için Doğruluk, Kesinlik, Geri Çağırma ve F1 Puanı gibi standart değerlendirme ölçütleri kullanılmıştır. Duygu sınıflandırması için en iyi modeli belirlemek amacıyla bu metrikler aracılığıyla derin öğrenme yaklaşımları ve makine öğrenme yöntemleri arasında kapsamlı bir değerlendirme yapıldı. CNN-LSTM modeli, Twitter verilerinden karmaşık desenleri çıkarmada olağanüstü bir performans gösterdi; bu da xvi sosyal medya görüş madenciliği bilgimizi ilerletmemize ve daha iyi duygu sınıflandırma sistemleri oluşturmamıza yardımcı oldu. Anahtar Kelimeler: Yapay Zeka, Derin Öğrenme (DL), Duygu Analizi, Sosyal Medya Verileri, Makine Öğrenmesi (ML), Doğal Dil İşleme (NLP), Özellik Çıkarımı, Metin sınıflandırması.The modern world relies on social networks as fundamental communication tools which allow millions of users to connect daily while sharing diverse opinions about various subjects. Twitter stands as a prominent microblogging platform which supports an extensive worldwide user population. Twitter serves as an essential resource for sentiment analysis because it hosts diverse content alongside various perspectives. The research explores sentiment analysis methods for Twitter data to determine user emotions between positive and negative categories. The research used a benchmark dataset containing more than 180,000 labeled tweets to train and evaluate different classification models. Traditional machine learning algorithms implemented include Random Forest (RF), Logistic Regression (LR), Decision Tree (DT), Naive Bayes (NB), K-Nearest Neighbors (KNN), and Stochastic Gradient Descent (SGD). Additionally, an advanced deep learning model has been implemented that combined a Convolutional Neural Network–Long Short-Term Memory (CNN-LSTM) architecture. Standard evaluation metrics such as Accuracy, Precision, Recall, and F1- Score were used to assess the performance of these models. A thorough evaluation between deep learning approaches and machine learning methods was performed through these metrics to determine the best model for sentiment classification. The CNN-LSTM model demonstrated exceptional performance in extracting intricate xiv patterns from Twitter data, which advanced our knowledge of social media opinion mining and helped create better sentiment classification systems. Keywords: Artificial Intelligence, Deep Learning (DL), Sentiment Analysis, Social Media Data, Machine Learning (ML), Natural Language Processing (NLP), Feature Extraction, Text classification.