Sentiment Alanysis in Twitter Mobile Game Datas Using Machine Learning Algorithms

Abstract

Bu tez çalışmasında, Türkiye'de ki hem de yabancı ülkelerdeki Twitter kullanıcılarının mobil oyunlar ile alakalı yazdıkları Türkçe ve İngilizce tweetlerin olumlu ve olumsuz bakımdan incelenerek duygu analizinin yapılması ve mobil oyuncu kitlesinin mobil oyunlar hakkındaki pozitif veya negatif bakış açıları esas alınarak mobil oyun üreticilerine mobil oyunlar hakkında fikir vermesi ve yol göstermesi amaçlanmıştır. Bu amaçlar doğrultusunda, Twitter üzerinden elde edilen mobil oyunlarla alakalı 376.431 adet Türkçe ve 1.839.274 adet İngilizce olmak üzere toplam 2.215.708 adet tweet kullanılmıştır. Lojistik Regresyon, Rastgele Orman Sınıflayıcısı, K-Komşu Sınıflayıcısı, Doğrusal Destek Vektör Sınıflayıcısı, Çok terimli Naïve Bayes Sınıflayıcısı, Bernoulli Naïve Bayes Sınıflayıcısı, Sırt Sınıflayıcısı, Pasif-Agresif Sınıflayıcısı, Çok Katmanlı Algılayıcı Sınıflayıcısı, Oylama Sınıflayıcısı, Evrişimsel Sinir Ağı sınıflayıcısı ve Uzun Kısa Süreli Bellek Sınıflayıcısının kullanıldığı bu tez çalışmasında, İngilizce ve Türkçe veri setleri için ayrı ayrı modeller oluşturularak, sınıflayıcıların performansları karşılaştırılmıştır. TEMSAP-CNNLSTM (CNN-LSTM tabanlı Twitter Mobil Oyun Duyarlılık Analizi Yaklaşımı) adlı bir model geliştirilmiştir. Yapılan analizler sonucunda mobil oyun İngilizce test veri seti için TEMSAP-CNNLSTM modelinde 0.93'lük doğruluk değeri ve Oylama sınıflayıcısında 0.91'lik doğruluk değeri elde edilmiştir. Mobil oyun Türkçe test veri setinde TEMSAP-CNNLSTM modelinde 0.92'lik doğruluk değeri ve oylama sınıflayıcısında 0.90'lık doğruluk değeri elde edilmiştir. TEMSAP-CNNLSTM modelinin ve oylama sınıflayıcısının diğer algoritmalardan daha uzun çalışma süresinde daha başarılı sonuçlar verdiği tespit edilmiştir.

The aim of this thesis is to analyze the positive and negative aspects of tweets written by Twitter users in Turkey and abroad about mobile games in Turkish and English, and to analyze mobile games based on the positive or negative views of mobile gamers about mobile games in order to give an idea and guide to mobile game manufacturers. For these purposes, a total of 2.215.708 tweets, 376.431 in Turkish and 1.839.274 in English, related to mobile games were obtained via Twitter. Logistic Regression, Random Forest classifier, K-Neighbour classifier, Linear Support Vector classifier, Multinomial Naïve Bayes classifier, Bernoulli Naïve Bayes classifier, Ridge classifier, Passive-Aggressive classifier, Multilayer Perceptron classifier, Voting classifier, Convolutional Neural Network classifier, Long-Short-Term Memory classifier used for this thesis and the performance of the classifiers is compared by creating separate models for English and Turkish datasets. A model called TEMSAP-CNNLSTM (CNN-LSTM-based Twitter Mobile Game Sentiment Analysis Approach) was developed. As a result of the analysis, for the English mobile game test dataset, an accuracy value of 0.93 was obtained for the TEMSAP-CNNLSTM model and an accuracy value of 0.91 was obtained for the voting classifier. For the Turkish mobile game test dataset, an accuracy value of 0.92 was obtained for the TEMSAP-CNNLSTM model and an accuracy value of 0.90 was obtained for the voting classifier. It was found that the TEMSAP-CNNLSTM hybrid model and the voting classifier, one of the collective learning methods, produced more successful results in a longer working time than other machine learning algorithms.