Yapay Zekâ Çağında Duygu Analizi: Büyük Dil Modellerinin Yükselişi ve Klasik Yaklaşımlarla Karşılaştırılması

Year 2024, Volume: 24 Issue: 06, 1355 - 1363

Muhammed Abdulhamid Karabıyık , Asım Sinan Yüksel , Fatma Gülşah Tan

Abstract

Duygu analizi, günümüzde hem bireylerin hem de şirketlerin karar alma süreçlerinde önemli bir rol oynayan, farklı veri kaynaklarından elde edilen bilgileri inceleyerek insan duygularını anlamayı sağlayan bir yöntemdir. Duygu analizi klasik makine öğrenmesi yöntemleriyle gerçekleştirildiğinde, metinlerin duygusal içeriğini anlamak için genellikle belirli özelliklerin elle seçilmesini ve öznitelik mühendisliği gerektirir. Bu yöntemler, duygusal ifadelerin karmaşıklığını ve çok katmanlı yapısını tam olarak yakalayamamakta ve genellikle belirli bağlamlarda başarılı olmaktadırlar. Ancak, büyük dil modelleri, derin öğrenme prensiplerine dayanarak, karmaşık dil yapılarını daha etkili bir şekilde öğrenebilirler. Bu modeller, büyük ölçekteki metin verilerini işleyerek genel dil bilgisiyle donanmışlardır. Dolayısıyla, duygu analizi gibi görevlerde kullanıldıklarında, öznitelik mühendisliği gerektirmeden karmaşık duygusal ifadeleri daha doğru bir şekilde çözebilirler. Çalışmamızda, üç farklı veri seti kullanılarak büyük dil modelleri ve klasik yöntemlerin duygu analizindeki performansları karşılaştırılmıştır. Sonuçlar, büyük dil modellerinin klasik yöntemlere kıyasla daha yüksek doğruluk oranları elde ettiğini, duygu analizi alanında gelecekte daha fazla kullanılacağını ve bu alandaki çalışmalara önemli katkılar sağlayacağını göstermektedir.

Keywords

Duygu analizi, Büyük Dil Modelleri, Doğal Dil İşleme, İstem Mühendisliği, Makine Öğrenme

Sentiment Analysis in the Age of Artificial Intelligence: The Rise of Large Language Models and Comparison with Classical Approaches

Abstract

Sentiment analysis is a method that plays an important role in the decision-making processes of both individuals and companies today and enables understanding human emotions by examining information obtained from different data sources. When sentiment analysis is performed with traditional machine learning methods, it often requires hand-selection of specific features and feature engineering to understand the sentiment of texts. These methods cannot fully capture the complexity and multilayered nature of emotional expressions and are often successful in certain contexts. However, large language models can learn complex language structures more effectively, based on deep learning principles. These models are equipped with general language knowledge by processing large-scale text data. Therefore, when used in tasks such as sentiment analysis, they can more accurately decode complex emotional expressions without requiring feature engineering. In our study, the performances of large language models and classical methods were compared using three different data sets. The results show that large language models achieve higher accuracy rates compared to classical methods, will be applied more in the field of sentiment analysis in the future, and will make significant contributions to studies in this field.

Keywords

Sentiment Analysis, Large Language Models, Natural Language Processing, Prompt Engineering, Machine Learning

References

• Asan, M.E., Taşkın, H., Alemdar, M., ve Capoglu, R., 2023, Tiroit kanseri hastalık tanısında lojistik regresyon kullanımı. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi. https://doi.org/10.17341/gazimmfd.1253193
• Bezek Güre, Ö., 2024, Classification of Liver Disorders Diagnosis using Naïve Bayes Method. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 13, 153–160. https://doi.org/10.17798/bitlisfen.1361016
• Bulat, A. ve Tzimiropoulos, G., 2024, Language-Aware Soft Prompting: Text-to-Text Optimization for Few- ve Zero-Shot Adaptation of V &L Models. International Journal of Computer Vision, 132, 1108–1125. https://doi.org/10.1007/s11263-023-01904-9
• Gül, E. ve Kalyoncu, M., 2020, Ağır Vasıta Hava Kompresörü Piston Segmanı Aşınması Durumlarında K-En Yakın Komşu Algoritmasının Sınıflveırma Performansının İncelenmesi. European Journal of Science ve Technology. https://doi.org/10.31590/ejosat.802958
• Hasan, A., Moin, S., Karim, A., ve Shamshirbve, S., 2018, Machine Learning-Based Sentiment Analysis for Twitter Accounts. Mathematical ve Computational Applications, 23, 11. https://doi.org/10.3390/mca23010011
• Jouis, C. ve Shafei, B., 2018, Big textual data. In Proceedings of the 10th International Conference on Management of Digital EcoSystems ((New York, NY, USA: ACM)), pp. 7–12.
• Khakurel, J., Penzenstadler, B., Porras, J., Knutas, A., ve Zhang, W., 2018, The Rise of Artificial Intelligence under the Lens of Sustainability. Technologies, 6, 100. https://doi.org/10.3390/technologies6040100
• Khurana, D., Koli, A., Khatter, K., ve Singh, S., 2023, Natural language processing: state of the art, current trends ve challenges. Multimedia Tools ve Applications, 82, 3713–3744. https://doi.org/10.1007/s11042-022-13428-4
• Khurdula, H.V., Pagutharivu, A., ve Soung Yoo, J., 2024, The Future of Feelings: Leveraging Bi-LSTM, BERT with Attention, Palm V2 & Gemini Pro for Advanced Text-Based Emotion Detection. In SoutheastCon 2024 ((IEEE)), pp. 275–278.
• Kılınçarslan, Ş., Şimşek Türker, Y., ve İNCE, M., 2020, Prediction of heat-treated cedar wood swelling ve shrinkage values with artificial neural networks ve rveom forest algorithm. Mühendislik Bilimleri ve Tasarım Dergisi, 8, 200–205. https://doi.org/10.21923/jesd.825442
• Maas, A.L., Daly, R.E., Pham, P.T., Huang, D., Ng, A.Y., ve Potts, C., 2011, Learning Word Vectors for Sentiment Analysis. In Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies ((Portlve, Oregon, USA: Association for Computational Linguistics)), pp. 142–150.
• Malo, P., Sinha, A., Korhonen, P., Wallenius, J., ve Takala, P., 2014, Good debt or bad debt: Detecting semantic orientations in economic texts. Journal of the Association for Information Science ve Technology, 65, 782–796. https://doi.org/10.1002/asi.23062
• Rane, A. ve Kumar, A., 2018, Sentiment Classification System of Twitter Data for US Airline Service Analysis. In 2018 IEEE 42nd Annual Computer Software ve Applications Conference (COMPSAC) (IEEE), 769–773.
• Sağbaş, E.A., 2023, MFCC Öznitelikleri ve Adaboost Topluluk Öğrenme Yöntemi Kullanılarak Uyku Seslerinin Sınıflveırılması. Computer Science. Cilt: IDAP-2023 : International Artificial Intelligence and Data Processing Symposium Sayı: IDAP-2023, 31 - 36 https://doi.org/10.53070/bbd.1347221
• Shahin, M., Chen, F.F., Hosseinzadeh, A., Maghanaki, M., ve Eghbalian, A., 2024, A novel approach to voice of customer extraction using GPT-3.5 Turbo: linking advanced NLP ve Lean Six Sigma 4.0. The International Journal of Advanced Manufacturing Technology, 131, 3615–3630. https://doi.org/10.1007/s00170-024-13167-w
• Sousa, M.G., Sakiyama, K., Rodrigues, L. de S., Moraes, P.H., Fernvees, E.R., ve Matsubara, E.T., 2019, BERT for Stock Market Sentiment Analysis. In 2019 IEEE 31st International Conference on Tools with Artificial Intelligence (ICTAI) ((IEEE)), pp. 1597–1601.
• Subası, A. ve Erdem, K., 2021, Hibrit nanoakışkanların özgül ısılarının yapay sinir ağları ile tahmin edilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37, 377–388. https://doi.org/10.17341/gazimmfd.880340
• Yücesoy, E., 2020, Konuşmacının Yaş ve Cinsiyetine Göre Sınıflandırılmasında DVM Çekirdeğinin Etkisi. El-Cezeri Fen ve Mühendislik Dergisi. https://doi.org/10.31202/ecjse.707179
• Yue, L., Chen, W., Li, X., Zuo, W., ve Yin, M., 2019, A survey of sentiment analysis in social media. Knowledge ve Information Systems, 60, 617–663. https://doi.org/10.1007/s10115-018-1236-4