Sinir Ağı Dil Modelleri ve Evrensel Cümle Kodlayıcı Kullanarak Havayolu Müşteri Yorumlarının Duygu Analizi

Abstract

Duygu analizi, metin tabanlı verilerin duygusal tonlarını belirlemede kullanılan önemli bir doğal dil işleme (NLP) tekniğidir. İşletmeler, müşteri memnuniyetini artırmak ve hizmet kalitesini iyileştirmek için müşteri yorumlarından elde edilen duygusal içgörülerle stratejik kararlar alabilir. Bu çalışmada ise havayolu müşteri yorumlarından oluşan bir veri seti kullanılmıştır. Veri seti, her bir yorumun doğrulama durumu, içerik, değerlendirme puanı, öneri durumu, duygu analizini içermektedir ve toplamda 1100 örnekten oluşmaktadır. Çalışmada dört farklı model incelenmiştir. Bu modellerden CNN-LSTM, sıfırdan öğrenme stratejisiyle eğitilmiştir. Ayrıca, iki farklı sinir ağı dil modeli (Neural Network Language Model, NNLM) ve evrensel cümle kodlayıcı (Universal Sentence Encoder, USE) transfer öğrenme yaklaşımıyla eğitilmiştir. CNN-LSTM modeli %92,06 doğruluk oranı ile yüksek performans göstermiştir. nnlm-en-dim50 modeli %90,87 doğruluk oranı elde ederken, nnlm-en-dim128 modeli %92,46 doğruluk oranı ile öne çıkmıştır. En yüksek performansı ise %95,63 doğruluk oranı ile USE modeli göstermiştir. Bu sonuçlar, derin öğrenme ve transfer öğrenme tekniklerinin duygu analizinde etkili araçlar olduğunu göstermektedir. Çalışma, işletmelerin müşteri memnuniyetini artırmak ve hizmet kalitesini iyileştirmek için duygu analizi teknolojilerini nasıl etkin bir şekilde kullanabileceklerine dair önemli içgörüler sunmaktadır. Gelecek çalışmalarda, farklı veri setleri ve daha geniş örneklem büyüklükleri ile modellerin performanslarının daha detaylı incelenmesi önerilmektedir.Sentiment analysis represents a fundamental technique within the domain of natural language processing (NLP), employed for the purpose of discerning the emotional tenor of text-based data. Businesses may make strategic decisions by employing emotional insights derived from customer reviews to enhance customer satisfaction and improve service quality. In this study, a dataset comprising reviews from airline customers was employed. The dataset comprises the verification status, content, rating score, recommendation status, and sentiment analysis of each review, with a total of 1100 examples. The study examined four distinct models. The CNN-LSTM model was trained using a training-from-scratch strategy. Furthermore, two distinct neural network language models (Neural Network Language Model, NNLM) and the Universal Sentence Encoder (USE) were trained using a transfer learning approach. The CNN-LSTM model exhibited robust performance, achieving an accuracy rate of 92.06%. The nnlm-en-dim50 model achieved an accuracy rate of 90,87%, while the nnlm-en-dim128 model demonstrated a notably higher level of accuracy at 92.46%. The USE model exhibited the highest performance, with an accuracy rate of 95.63%. These findings suggest that deep learning and transfer learning techniques are effective tools for sentiment analysis. The study offers valuable insights into how businesses can utilize sentiment analysis technologies to enhance customer satisfaction and service quality. It is recommended that future studies investigate the performance of these models with different datasets and larger sample sizes.