Sentiment Analysis Using Feature Fusion and Convolutional Neural Networks

Abstract

The a'm of th's study 's to use deep learn'ng methods for sent'ment analys's on a database of well-known documents. It a'ms to show the comparat've success of the prepared algor'thm aga'nst some publ'shed methods and to exam'ne the data dependency us'ng textual datasets. Sent'ment analys's (or op'n'on m'n'ng) 's a method used 'n natural language process'ng to analyze text documents and determ'ne the content of a text 'tem. Natural language process'ng (NLP) 's a branch of art'f'c'al 'ntell'gence (AI) that enables computers to understand and learn human language. When each word 's expressed as a vector, the mean'ngs of the words w'll be stored 'n the vectors, and the vectors of the words that have close mean'ngs w'll be close to each other. Words are converted 'nto mathemat'cal express'ons and the'r mean'ngs are reduced to data that computers can process by express'ng the'r prox'm'ty to another word mathemat'cally. In th's study, we a'med to use Word2Vec, LSA and CNN three popular text-based feature extract'on methods used 'n natural language process'ng and mach'ne learn'ng. Word2Vec 's tra'ned on a large text dataset to obta'n word vectors, ensur'ng that s'm'lar-mean'ng words are close together 'n the vector space. In th's way, the relat'onsh'ps and mean'ng s'm'lar't'es between words are reflected. LSA 's a text m'n'ng method used to extract semant'c content from large text datasets. LSA uses matr'x factor'zat'on techn'que to d'scover the structure between documents and words. We a'm to perform sent'ment analys's us'ng deep learn'ng models such as TextCNN and Conv1D. TextCNN and Conv1D are convolut'onal neural networks effect've for feature extract'on and class'f'cat'on 'n text data. These models are used to extract features from text data and conduct sent'ment analys's. The datasets used 'nclude Sent'ment140, YELP, Amazon, and IMDB.

ÖZ: Bu çalışmanın amacı b'r d'z' 'y' b'l'nen belge ver' tabanı üzer'nde duygu anal'z' 'ç'n der'n öğrenme yöntemler'n'n kullanılmasıdır. Hazırlanan algor'tmanın bazı yayınlanmış yöntemlere karşı karşılaştırmalı başarısını göstermey', met'nsel ver' kümeler'n' kullanarak ver' bağımlılığını 'ncelemey' amaçlamaktadır. Duygu anal'z', met'n belgeler'n' anal'z etmek ve met'n öğes'n'n 'çer'ğ'n' bel'rlemek 'ç'n doğal d'l 'şlemede (NLP) b'r yöntemd'r. Doğal d'l 'şleme yapay zekanın b'r koludur ve b'lg'sayarların, 'nsan d'l'n' kavramasını, öğrenmes'n' ve 'dare etmes'n' sağlar. Her b'r sözcük vektörel olarak 'fade ed'ld'ğ'nde sözcükler'n anlamları vektörlerde saklanarak, b'rb'r'ne yakın anlam taşıyan sözcükler'nde vektörler' b'rb'r'ne yakın olacaktır. Sözcükler matemat'ksel 'fadelere dönüştürülerek anlamları başka b'r sözcüğe yakınlığı y'ne matemat'ksel olarak 'fade ed'lerek b'lg'sayarların 'şleyeb'leceğ' ver'lere 'nd'rgen'rler. Bu çalışmada doğal d'l 'şleme ve mak'ne öğrenmes' alanlarında kullanılan 'k' popüler met'n tabanlı özell'k çıkarma yöntem' olan Word2Vec, LSA ve CNN kullanmayı hedefled'k. Word2Vec, kel'me vektörler'n' elde etmek 'ç'n büyük met'n ver' kümes' üzer'nde eğ't'l'r ve benzer anlamlı kel'meler'n vektör uzayında b'rb'r'ne yakın olmasını sağlar. Bu şek'lde, kel'meler arasındak' 'l'şk'ler ve anlam benzerl'kler' yansıtılır. LSA 'se büyük met'n ver' kümeler'nden anlamsal 'çer'k çıkarmak 'ç'n kullanılan b'r met'n madenc'l'ğ' yöntem'd'r. LSA, belgeler ve kel'meler arasındak' yapıyı keşfetmek 'ç'n matr's çözümleme (matr'x factor'zat'on) tekn'ğ'n' kullanır. TextCNN ve Conv1D g'b' der'n öğrenme modeller'n' kullanarak duygu anal'z'n' gerçekleşt'rmey' hedefl'yoruz. TextCNN ve Conv1D, met'n ver'ler'nde özell'k çıkarma ve sınıflandırma 'ç'n etk'l' olan evr'ş'ml' s'n'r ağlarıdır. Bu modeller, met'n ver'ler'n'n özell'kler'n' çıkarmak ve duygu anal'z' yapmak 'ç'n kullanılır. Kullanılan ver' setler' Sent'ment140, YELP, Amazon ve IMDB ver'ler'n' 'çermekted'r.