Makine Öğrenimi ile Duygu Analizi

Jun 12, 2020 - 6 min read
Makine Öğrenimi ile Duygu Analizi

Sentiment analizi, yani insanların bir ürün, hizmet, bir marka ya da herhangi bir konuya dair hislerinin olumlu mu yoksa olumsuz mu olduğunu anlamak, özellikle müşteri memnuniyeti ve pazarlama departmanları için hayatî önem taşıyor. Zira bir ürün ya da hizmetin müşteri kitlesinin genişleyebilmesi, müşterilerin memnuniyet seviyeleriyle doğru orantılı. Tüketiciler ancak bir ürün ya da hizmetten memnun kaldıklarında sadık müşterilere dönüşebilirler.

Ne var ki bir ürün ya da hizmetin insanlar tarafından nasıl karşılandığına dair sağlıklı sonuçlar çıkarabilmek için gereken verinin büyüklüğü, bu analizi insan gücüyle manuel olarak yapmayı neredeyse imkânsız hale getiriyor.

Gelin makine öğreniminin bu sorunu nasıl çözdüğüne ve sentimentleri anlamamızda nasıl kullanıldığına yakından bakalım.

Sentiment analizi nedir?

Sentiment kelimesini Türkçede en iyi karşılayan iki kelime duygu ve kanı. Duygu analizi mutluluk, üzüntü, hayal kırıklığı, öfke gibi hisleri tespit etmeyi amaçlayabileceği gibi, bir metnin olumlu mu olumsuz mu görüş ifade ettiğini, yani sentimentini anlamayı da amaçlayabilir. Sentiment analizini ise en basit biçimde, “İnsanların bir ürün, hizmet veya herhangi bir konuya dair sahip oldukları duygu ve kanının ne olduğunu çeşitli yöntemlerle anlamaya çalışmak” olarak nitelendirebiliriz.

Daha teknik tanımıyla ise sentiment analizi, hisleri ve subjektif kanıları sistematik bir şekilde tanımlamak, toplamak, ölçmek ve incelemek için doğal dil işleme, metin analizi, bilgisayarlı dilbilim ve biyometri kullanımını ifade ediyor.

Sentiment analizi kimler için ve neden önemli?

Sentiment analizinin geniş kullanım alanları arasında hedef kitlenin müşteri memnuniyet anketleri gibi anketlere verdikleri yanıtlar ve dijitaldeki yorum ve konuşmalarıyla; şikayet yönetimi, kriz yönetimi, müşteri hizmetleri ve itibar yönetimi gibi süreçler yer alıyor.

Bir başka deyişle, firmaların pazarlama ve müşteri hizmetleri departmanlarından, bilimsel araştırmalar yürüten kişilere; siyasi partilerden, kamuoyunda nasıl algılandığını öğrenip buna yönelik PR çalışması yapmak isteyen ünlülere kadar, sentiment analizinden fayda sağlayabilecek aktörler çok geniş bir yelpazeye yayılmış durumda.

Sentiment analiziyle elde edilen içgörüleri yorumlayan firmalar, yürüttükleri bir kampanyanın amacına ulaşıp ulaşmadığını, piyasaya yeni sürdükleri ürünün beğenilip beğenilmediğini ya da müşteri ilişkileri departmanlarının etkili çalışıp çalışmadığını anlayabiliyor. Benzer şekilde, siyasi partiler de söylemlerinin halk tarafından nasıl karşılandığını görebilmek için düzenli olarak sentiment analizi yaptırıyorlar.

Ne var ki sentiment analizinden sağlıklı sonuçlar elde etmek için yüksek hacimli veriye ihtiyaç duyuluyor. On binlerce satırlık verinin insan gücüyle sınıflandırılmasıysa imkânsıza yakın. Bunun mümkün olduğu durumlarda dahi bu sınıflandırmaya ciddi bir zaman ve iş gücü ayırmak gerekiyor.

Makine öğrenimi sentiment analizini nasıl kolaylaştırıyor?

Bilgisayar işlemcilerinin yüksek kapasitesinden ve akıllı algoritmalar üzerine kurulu yapay zekanın gücünden faydalanan makine öğrenimi, sentiment analizini çok daha pratik, verimli ve etkili bir şekilde yapmamıza imkân tanıyor.

Her şeyden önce, makine öğrenimi teknolojisini kullandığımızda zaman ve iş gücünden çok ciddi tasarruf etmiş oluyoruz. Örneğin, firmamızın son kampanyasının hedef kitlemiz tarafından nasıl karşılandığını anlayabilmek için yaptığımız araştırma sonunda elimizde 20.000 satır veri olduğunu farz edelim. Bu verileri satır satır inceleyip her bir içerik için pozitif-negatif gibi bir sentiment sınıflandırması yapmak en iyimser tahminle günler sürecektir. Oysa makine öğrenimi sayesinde bu hacimdeki bir veriyi yarım saatten kısa bir sürede işlemek mümkün.

Öte yandan, verileri tek tek işaretlemek yerine, Excel dosyasında anahtar kelime (keyword) bazlı arama yaparak süreci biraz daha otomatik hale getirmek istediğimizi farz edelim. “En azından bazı kelimeleri içeren verileri bu şekilde sınıflandırırsak yükümüzü azaltmış oluruz” diye düşünebiliriz. Ne var ki özellikle konu sentiment analizi olduğunda, dilimizin birçok özelliği bu süreci zorlaştırıyor. Örneğin “Bravo” kelimesini içeren her veriyi “pozitif” olarak işaretlersek, bu kelimenin alaycı bir şekilde kullanıldığı durumlarda, aslında kampanyamızı eleştiren verilerde hata yapmış oluruz.

Bu noktada makine öğrenimi teknolojisini kullanan ürünlerden faydalanmak en doğru seçenek. Zira Kimola’nın Cognitive ürününde olduğu gibi makine öğrenimiyle çalışan sistemler, toplam veriye kıyaslandığında çok küçük oranda bir verinin işlenmesinin ardından, bu işaretlemeleri inceleyip öğrenerek, kalan yüksek hacimli veriyi otomatik olarak sınıflandırabiliyor. Üstelik Kimola Cognitive’in Sentiment Modeli gibi, daha önce binlerce verinin işlenerek sisteme halihazırda öğretildiği modeller, kullanıcının hiç veri işaretlemesi yapmadan da pratik ve etkili bir analize ulaşmasını sağlıyor.

Öte yandan, makine öğrenimi teknolojisini kullanmak, “Bravo” örneğinde olduğu gibi sadece anahtar kelime bazlı aramalarla elde edilecek sonuçlardan daha yüksek doğruluk oranı sağlıyor. Zira sistemin akıllı algoritmaları, “Bravo” kelimesinin kimi zaman “pozitif” kimi zaman “negatif” işaretlenen verilerde yer aldığını gördüğünde, bu sınıflandırmayı yapmak için birlikte kullanıldığı kelimeler, cümle içindeki yeri, noktalama işaretleri gibi birçok faktörü de göz önüne alıp daha doğru sınıflandırma yapabiliyor.

Kimola ekibinin makine öğrenimi ile pozitif ve negatif işaretleme için kullandığı makine öğrenimi modelini buraya tıklayarak inceleyebilir ve deneyimleyebilirsiniz. 

Kimola Cognitive’in Sentiment Modeli nasıl kullanılır?

Kimola Cognitive’in Sentiment Modeli, Kimola tarafından yüksek hacimli verinin önceden girildiği, “pozitif” ve “negatif” olarak işaretlendiği ve düzenli olarak güncellenerek doğruluk oranının sürekli artmasının sağlandığı bir model. Bu modeli kullanmak için şu aşamaları takip etmek yeterli:

1. Adım: Veri Toplama

Sentiment analizinden sağlıklı sonuçlar alabilmek için mümkün olduğunca geniş hacimli bilgiye ihtiyaç var. Bunun için, sisteme çeşitli yöntemlerle tanımlayabileceğiniz hedef kitle doğrultusunda, binlerce gerçek ve aktif kullanıcının sosyal medya paylaşımlarını toplayan ve kitlenizle ilgili yüksek hacimli ve detaylı veriler sunan Kimola’nın Analytics ürününde bir konuşma kitlesi yaratmayı deneyebilirsiniz. Analytics’in demografik yapıdan ilgi alanlarına, haber almak için en çok kullanılan kaynaklardan geri dönüşler için en sık başvurulan mecralara kadar geniş bir yelpazede veri sunabilmesi de özellikle içgörü çıkarma adımında derinlemesine analizler yapmaya imkân tanıyor.

2. Adım: Sentiment Modeli’ni Seçerek Verileri Sisteme Yükleme

Bu adımda Kimola Analytics’in sağladığı ya da başka yöntemlerle elde ettiğiniz veri setinizi Kimola Cognitive’e yüklemeniz gerekiyor. Tamamen web-tabanlı olarak çalışan ve hiçbir teknik bilgi gerektirmeyen Kimola Cognitive’in arayüzü, verilerinizi sürükle-bırak gibi pratik bir yöntemle sisteme yükleyebileceğiniz kadar kolay.

Sentiment Modeli’ni kullanmak için verilerinizi sisteme yüklerken yeni bir model yaratma seçeneğini değil bu modeli seçmeniz gerekiyor. Kimola tarafından daha önce yüksek hacimli veri işaretlenerek, sistemin sentimentleri nasıl analiz etmesi gerektiği öğretilmiş durumda. Bu model sayesinde sentiment analizi yapmak istediğiniz veride sizin bir işaretleme yapıp sisteme sentimentleri nasıl analiz etmesi gerektiğini öğretmenize gerek kalmıyor. Önceden hazırlanmış Sentiment Modeli’ni seçip veri setinizi yüklediğinizde, Kimola Cognitive Excel dosyasında “Sentiment” için yeni bir sütun oluşturuyor ve her bir satırın içeriğini analiz ederek yanına “pozitif” ya da “negatif” şeklinde bir değer atıyor. Böylece tüm verinizi hızlı ve pratik bir şekilde sınıflandırabiliyorsunuz.

3. Adım: Elde Edilen Sonuçlardan İçgörüler Çıkarma

Pozitif ve negatif şeklinde sınıflandırılmış veriyi bilgisayarınıza indirdikten sonra sıra bu veriyi anlamlandırmaya geliyor. Pozitif veya negatif sonuç veren verileri inceleyerek, insanların ürün ya da hizmetinize dair hangi konulardan memnuniyet duyduğunu, hangi konularda ise olumsuz duygu ve kanıya sahip olduğunu görebiliyorsunuz. Beğeni ya da şikayet konusu olan noktaların hangi departmanların sorumluluğuna girdiğini tespit ederek, yapmanız gereken iyileştirmelere yönelik içgörüler de çıkarabiliyorsunuz. Aynı şekilde ürün ya da hizmetinizin hangi özelliklerinin müşteriler tarafından memnuniyetle karşılandığını, hangilerininse istediğiniz duyguyu yaratmadığını da fark edip buna yönelik geliştirmeler yapabiliyorsunuz.

Kimola Cognitive’in Sentiment Modeli’ni Ücretsiz Deneyin

Makine öğrenimi teknolojisini kullanarak yüksek hacimli verilerinizi kısa sürede ve yüksek doğruluk oranıyla sınıflandırmanızı sağlayan Kimola Cognitive, Sentiment Modeli ile de verilerinizin pozitif mi yoksa negatif mi sentimentler içerdiğini kolayca tespit edebiliyor.

Kimola Cognitive’i ve Sentiment Modeli’ni ücretsiz denemek için buradan üye olabilirsiniz. Ayrıca Kimola Cognitive’e dair daha fazla bilgi almak isterseniz, sormak istediklerinizi buradan bize iletebilir ya da Calendly üzerinden bir görüşme randevusu talep edebilirsiniz.

Latest