ARAPÇA, TÜRKÇE VE İNGİLİZCE DİLLERİNDEKİ E-TİCARET VERİLERİNDEN DUYGU ANALİZİ İLE MÜŞTERİ MEMNUNİYET TESPİTİ

Abstract

Duygu analizi, doğal dil işleme alanında Transformer tabanlı modellerin kullanımıyla dilin yapısını ve anlamını anlama konusunda büyük bir ilerleme sağlamakta ve dil işleme süreçlerine yeni bir boyut kazandırmaya devam etmektedir. Ancak, farklı dillerde yapılan duygu analizi çalışmaları, dilin yapısal özellikleri, kültürel farklılıklar ve dil bilgisel çeşitliliklerden kaynaklanan zorlukları da beraberinde getirmektedir. İngilizce, Türkçe ve Arapça gibi yapısal olarak karmaşık dillerde, duygu tespitinde kullanılan modellerin performansı ve uygun model seçimi, bu dillerin benzersiz niteliklerine uyum sağlama yeteneklerine bağlı olarak önemli ölçüde değişiklik gösterebilmektedir. Bu tez çalışması, İngilizce, Türkçe ve Arapça gibi yapısal olarak karmaşık dillerde yazılmış metinlerden duygu analizi yapmak için kullanılan Makine Öğrenmesi, Derin Öğrenme ve Transformer tabanlı modellerin performanslarını incelemektedir. Çalışmanın amacı, bu modellerin farklı dil özelliklerine adaptasyon süreçlerini analiz ederek güçlü ve zayıf yönlerini belirlemek ve çevresel etkilerini değerlendirerek sürdürülebilir yapay zekâ çözümleri sunmaktır. E-ticaret platformlarından toplanan çok dilli veri setleri üzerinde metin temizleme, etiketleme ve ön işleme adımları uygulanmıştır. Bu veri setleri, dillerin yapısal karmaşıklığını yansıtmakta ve Transformer tabanlı modellerin bu özelliklere uyumunu değerlendirmektedir. Modeller doğruluk oranları, işlem süreleri ve enerji tüketimi kriterlerine göre kapsamlı bir şekilde karşılaştırılmıştır. Elde edilen bulgular, Transformer tabanlı modellerin yüksek doğruluk oranları sunduğunu ancak enerji tüketimi açısından optimizasyon gerektirdiğini göstermektedir. Bert-base-multilingual-cased modeli Arapça dilinde %95,1 doğruluk oranı ile, ElecTRa, ConvBERTurk ve BERTurk modelleri ise Türkçe analizlerde %88 doğruluk oranı ile öne çıkmıştır. Bu tez, çok dilli doğal dil işleme uygulamalarında teknik gelişmelere katkı sağlamayı ve sürdürülebilir yapay zekâ bilincini artırmayı hedeflemektedir. Literatürle yapılan karşılaştırmalar, gelecekteki araştırmalara rehberlik edecek önemli bir kaynak sunmaktadır.

Sentiment analysis has achieved significant advancements in understanding the structure and meaning of language using Transformer-based models in the field of natural language processing, introducing a new dimension to language processing tasks. However, sentiment analysis studies conducted in different languages present challenges stemming from structural features of the language, cultural differences, and linguistic diversity. In structurally complex languages such as English, Turkish, and Arabic, the performance and suitability of models used for sentiment detection vary significantly depending on their ability to adapt to the unique characteristics of these languages. This thesis examines the performance of Machine Learning, Deep Learning, and Transformer-based models used for sentiment analysis on texts written in structurally complex languages such as English, Turkish, and Arabic. The primary aim is to analyze the adaptation processes of these models to different language features, identify their strengths and weaknesses, and evaluate their environmental impacts to propose sustainable artificial intelligence solutions. Multilingual datasets collected from e-commerce platforms underwent preprocessing steps, including text cleaning, labeling, and preparation. These datasets reflect the structural complexity of the languages and enable the evaluation of Transformer-based models' adaptability to these features. The models were comprehensively compared based on accuracy, processing time, and energy consumption criteria. The findings demonstrate that Transformer-based models provide high accuracy rates but require optimization in terms of energy consumption. The BERT-base-multilingual-cased model stood out with an accuracy rate of 95.1% for Arabic, while ElecTRa, ConvBERTurk, and BERTurk models achieved an accuracy rate of 88% for Turkish analyses. This thesis aims to contribute to technical advancements in multilingual natural language processing applications and raise awareness of sustainable artificial intelligence. Comparisons with the existing literature provide a valuable resource to guide future research.