Duygu analizi (sentiment analysis) veya diğer adıyla fikir madenciliği (opinion mining); insanların ürünler, hizmetler, organizasyonlar, bireyler, olaylar ve konular hakkındaki görüşlerini, duygularını, değerlendirmelerini ve tutumlarını hesaplamalı yöntemlerle inceleyen bir çalışma alanıdır (Liu, 2015). Bu alan, Doğal Dil İşleme (NLP), veri madenciliği ve metin madenciliğinin kesişim noktasında yer alır ve yapılandırılmamış metinlerden öznel bilgilerin çıkarılmasını amaçlar (Devika vd., 2016; Fang & Zhan, 2015). Temel hedefi, bir metnin bağlamsal kutupsallığını (polaritesini) tespit ederek metnin olumlu, olumsuz veya nötr olup olmadığını belirlemektir (Devika vd., 2016).
Duygu analizi, basit bir sınıflandırma probleminden çok daha karmaşıktır ve birbiriyle ilişkili birçok alt problemi barındıran “büyük bir bavul” (big suitcase) olarak nitelendirilmektedir (Cambria, Poria, vd., 2017).
ANALİZ SEVİYELERİ (GRANÜLARİTE)
Duygu analizi genellikle üç ana ayrıntı düzeyinde incelenir:
Doküman Seviyesi (Document Level): Tüm bir dokümanın (örneğin bir film eleştirisi veya ürün incelemesi) genel olarak olumlu mu yoksa olumsuz mu olduğunu sınıflandırmayı amaçlar. Bu seviye, dokümanın tek bir konu veya varlık hakkında olduğu varsayımına dayanır (Devika vd., 2016; Kumar & Sebastian, 2012; Liu, 2015).
Cümle Seviyesi (Sentence Level): Her bir cümlenin olumlu, olumsuz veya nötr bir fikir ifade edip etmediğini belirler. Bu seviye, cümlelerin öznel (fikir belirten) veya nesnel (gerçek belirten) olup olmadığının ayrıştırılmasıyla yakından ilişkilidir (Devika vd., 2016; Kumar & Sebastian, 2012; Liu, 2015).
Yön/Özellik Bazlı Analiz (Aspect-Based Sentiment Analysis): Doküman ve cümle seviyesindeki analizler insanların neyi beğenip beğenmediğini tam olarak ortaya koyamaz. Yön bazlı analiz, bir varlığın (örneğin bir telefon) belirli özelliklerine (ekran, pil ömrü, servis kalitesi) yönelik fikirleri ve bu özelliklerin her biri için duygu durumunu (pozitif/negatif) ayrı ayrı tespit etmeyi hedefler (Cherian vd., 2024; Liu, 2015).
TEMEL ALT PROBLEMLER VE GÖREVLER
Duygu analizi alanındaki araştırmalar, sadece polarite tespitiyle sınırlı kalmayıp, metnin anlamsal ve yapısal özelliklerini çözmeye yönelik çeşitli alt problemlere odaklanmaktadır:
Öznellik Sınıflandırması (Subjectivity Classification): Bir metnin nesnel (gerçeklere dayalı) mi yoksa öznel (kişisel görüş ve inançlara dayalı) mi olduğunun belirlenmesidir. Duygu analizi genellikle öznel metinler üzerinde yoğunlaşır, ancak nesnel cümleler de bazen arzu edilen veya edilmeyen gerçekleri ifade ederek duygu barındırabilir (Kumar & Sebastian, 2012; Liu, 2015; Prabowo & Thelwall, 2009).
Duygu Hedefi/Yönü Çıkarımı (Opinion Target/Aspect Extraction): Fikrin ne hakkında olduğunun (hedef varlık veya onun bir özelliği) tespit edilmesidir. Örneğin, “Ekranı harika ama pili kötü” cümlesinde “ekran” ve “pil” hedeflerinin çıkarılması gerekir (Liu, 2015, 2017).
Fikir Sahibinin Çıkarımı (Opinion Holder Extraction): Fikri veya duyguyu ifade eden kişinin veya kurumun (kaynak) tespit edilmesidir. Bu, özellikle haber metinlerinde veya tartışma forumlarında kimin ne düşündüğünü anlamak için önemlidir (Liu, 2015, 2017).
Karşılaştırmalı Fikirlerin Analizi (Analysis of Comparative Opinions): “Kola’nın tadı Pepsi’den daha iyi” gibi cümlelerde, doğrudan bir özellik değerlendirmesi yerine varlıkların karşılaştırılması söz konusudur. Bu tür cümlelerin tespiti ve tercih edilen varlığın belirlenmesi ayrı bir alt problemdir (Kumar & Sebastian, 2012; Liu, 2015, 2017).
Duygu/His Tespiti (Emotion Detection): Sadece olumlu/olumsuz sınıflandırmasının ötesine geçerek, metindeki “öfke”, “üzüntü”, “neşe”, “korku”, “iğrenme” ve “şaşkınlık” gibi daha ince taneli duyguların tespit edilmesini içerir (Cambria, Das, vd., 2017; Garg & Saxena, 2024; Liu, 2017; Mohammad, 2017).
İroni ve Kinaye Tespiti (Sarcasm and Irony Detection): Bir kişinin söylediği şeyin tam tersini kastetmesi (alaycılık/ironi), duygu analizi sistemleri için büyük bir zorluktur. Örneğin, “Harika, telefonum ikinci günde bozuldu” cümlesi kelime bazında olumlu görünse de bağlamda olumsuzdur. Bu tür durumların tespiti kritik bir alt problemdir (Kenyon-Dean vd., 2018; Lakshmi, 2024; Liu, 2015).
Fikir Spamı Tespiti (Opinion Spam Detection): Ürünleri övmek veya karalamak amacıyla yazılan sahte (fake) veya yanıltıcı yorumların tespit edilmesidir. Bu, sosyal medyanın güvenilirliği açısından hayati bir öneme sahiptir (Liu, 2015; Rosso & Cagnina, 2017).
Not: Bu içerik, ilgili akademik kaynakların Google NotebookLM kullanılarak analiz edilmesi ve derlenmesiyle oluşturulmuştur.
KAYNAKÇA
Cambria, E., Das, D., Bandyopadhyay, S., & Feraco, A. (2017). Affective Computing and Sentiment Analysis. Içinde E. Cambria, D. Das, S. Bandyopadhyay, & A. Feraco (Ed.), A Practical Guide to Sentiment Analysis (ss. 1-10). Springer International Publishing.
Cambria, E., Poria, S., Gelbukh, A., & Thelwall, M. (2017). Sentiment Analysis Is a Big Suitcase. IEEE Intelligent Systems, 32(6), 74-80.
Cherian, T. V., Paulraj, G. J. L., Princess, J. B., & Jebadurai, I. J. (2024). A comparative analysis of machine learning and deep learning techniques for aspect-based sentiment analysis. Içinde D. J. Hemanth (Ed.), Computational Intelligence Methods for Sentiment Analysis in Natural Language Processing Applications (ss. 23-37). Elsevier.
Devika, M. D., Sunitha, C., & Ganesh, A. (2016). Sentiment Analysis: A Comparative Study on Different Approaches. Procedia Computer Science, 87, 44-49.
Fang, X., & Zhan, J. (2015). Sentiment analysis using product review data. Journal of Big Data, 2(1), 5.
Garg, M., & Saxena, C. (2024). Emotion detection from text data using machine learning for human behavior analysis. Içinde D. J. Hemanth (Ed.), Computational Intelligence Methods for Sentiment Analysis in Natural Language Processing Applications (ss. 129-144). Elsevier.
Kenyon-Dean, K., Ahmed, E., Fujimoto, S., Georges-Filteau, J., Glasz, C., Kaur, B., Lalande, A., Bhanderi, S., Belfer, R., Kanagasabai, N., Sarrazingendron, R., Verma, R., & Ruths, D. (2018). Sentiment Analysis: It’s Complicated! Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long Papers), 1886-1895.
Kumar, A., & Sebastian, T. M. (2012). Sentiment Analysis: A Perspective on its Past, Present and Future. International Journal of Intelligent Systems and Applications, 4(10), 1-14.
Lakshmi, S. (2024). Sarcasm detection using deep learning in natural language processing. Içinde D. J. Hemanth (Ed.), Computational Intelligence Methods for Sentiment Analysis in Natural Language Processing Applications (ss. 187-205). Elsevier.
Liu, B. (2015). Sentiment Analysis: Mining Opinions, Sentiments and Emotions. Cambridge University Press.
Liu, B. (2017). Many Facets of Sentiment Analysis. Içinde E. Cambria, D. Das, S. Bandyopadhyay, & A. Feraco (Ed.), A Practical Guide to Sentiment Analysis (ss. 11-39). Springer International Publishing.
Mohammad, S. M. (2017). Challenges in Sentiment Analysis. Içinde E. Cambria, D. Das, S. Bandyopadhyay, & A. Feraco (Ed.), A Practical Guide to Sentiment Analysis (ss. 61-83). Springer International Publishing.
Prabowo, R., & Thelwall, M. (2009). Sentiment analysis: A combined approach. Journal of Informetrics, 3(2), 143-157.
Rosso, P., & Cagnina, L. C. (2017). Deception Detection and Opinion Spam. Içinde E. Cambria, D. Das, S. Bandyopadhyay, & A. Feraco (Ed.), A Practical Guide to Sentiment Analysis (ss. 155-171). Springer International Publishing.