Transformer Tabanlı Yöntemlerin Restoran Yorumlarının Analizi Üzerindeki Başarımı

Abstract

Duygu analizi, metinlerdeki duygusal tonları belirleyerek, müşteri geri bildirimlerinden sosyal medya paylaşımlarına kadar geniş bir alanda önemli veriler sağlar. Bu çalışmada, restoran yorumları kullanılarak duygu analizi gerçekleştirilmiştir. Çalışmada, duygu analizi için transformatör tabanlı bir model kullanılmıştır. Bu modellerin temelinde yer alan dikkat mekanizması, metin içindeki kelimelerin bağlamsal ilişkilerini dinamik olarak öğrenerek dilin anlamını daha iyi yakalar. Model, geniş bir bilgi kaynağına sahip bir veri seti ile eğitilmiş ve test edilmiştir. Öncelikle veri setinin tokenleştirme ve dolgu işlemleri gerçekleştirilmiş; daha sonra model eğitilmiş ve test sonuçları elde edilmiştir. Modelin eğitim doğruluğu %90,81, test doğruluğu ise %85,79 olarak hesaplanmıştır. Diğer performans metrikleri de göz önünde bulundurulduğunda, negatif ve pozitif sınıflar için yüksek başarı elde eden model, nötr sınıf için daha düşük bir başarı göstermiştir. Genel değerlendirme açısından modelin doğruluk oranı göz önüne alındığında, iyi bir performans sergilediği görülmektedir. Bu durum, transformatör tabanlı yaklaşımların doğal dil işleme için uygun olduğunu ve bu alandaki kullanılabilirliğini göstermektedir.

Sentiment analysis provides important data in various areas, from customer feedback to social media posts, by determining the text's emotional tones. In this study, sentiment analysis was performed using restaurant reviews with a transformer-based model. The attention mechanism underlying these models dynamically learns the contextual relationships of words in the text and better captures the meaning of the language. The model was trained and tested using a dataset from a vast information source. First, tokenization and padding operations of the dataset were performed; then, the model was trained, and test results were obtained. The training accuracy of the model was calculated as 90.81% and the test accuracy as 85.79%. When other performance metrics were also considered, the model, which achieved high success for negative and positive classes, showed lower success for the neutral class. In terms of general evaluation, it is seen that the model exhibited good performance when the accuracy rate was taken into account. This shows that transformer-based approaches are suitable for natural language processing and usability in this area.