Professional Documents
Culture Documents
10 31590-Ejosat 974886-1893586
10 31590-Ejosat 974886-1893586
Sayı 27, S. 1050-1060, Kasım 2021 No. 27, pp. 1050-1060, November 2021
© TelifhakkıEJOSAT’aaittir Copyright © 2021 EJOSAT
AraştırmaMakalesi www.ejosat.com ISSN:2148-2683 Research Article
*Sorumlu Yazar:yakupatli@gmail.com
http://dergipark.gov.tr/ejosat 1050
European Journal of Science and Technology
nesneler veya varlıklar olabilir. Duygu analizi ile herhangi bir Lang, 1995). Farklı önerilerde bulunan psikologlar ve bilim
kişi, konu, nesne veya varlık üzerinde görüş belirten kişinin insanları duyguları öfke, korku, iğrenme, üzülme, mutluluk ve
duygusal durumunu tespit etmek amaçlanır (Cambria vd., 2013). neşe olarak 6 temel sınıf olacak şekilde
Duygu analizi ile tutumların, değerlendirmelerin, görüşlerin, ayırmışlardır(Picard,2000).
hislerin ve duyguların metinsel ifadelerden çıkarılması doğal dil
Müziğin dinleyicileri üzerinde etkisi olduğu ve duyguları
işlemenin en önemli konularından biridir.
ortaya çıkarmada etkili olduğu kabul görmektedir. Dinleme
Etkileşimde etkili olan ve duyguların yansıdığı metinlerin esnasında beyinde oluşan elektriksel sinyallerin duyguların
yanında temel araçlardan biri de konuşmadır. Derin öğrenme ortaya çıkarılmasında daha gerçekçi sonuçlar ortaya koyduğu ile
modelleri kullanılarak tanıma sorunlarına çözümler ilgili birçok çalışma yapılmıştır. Müzik parçalarının dinlenmesi
üretilmektedir(Mittal vd., 2018; Bae vd., 2016; Malik vd., ile ortaya çıkan duyguların sınıflandırılması ve tanınması
2020).Konuşma duygularının ortaya çıkarılması ve problemini ele almışlardır(Er&Çiğ, 2020). Bunun için Türk
sınıflandırılması için yapılan araştırmalar giderek ilgi görmeye müziği parçalarını katılımcılara dinleterek ve bunun sonucunda
başlamıştır. İnsanların akıllı sistemler ile etkileşimlerinin artması katılımcıların beyinlerinde oluşan sinyalleri inceleyerek
ve akıllı sistemlerin de veri işleme hızlarının ve rahatlatıcı, gergin, hüzünlü ve mutlu duygularını tanımaya
performanslarının artmasıyladuyguların ortaya çıkarılmasında çalışmışlardır. Makine öğrenme algoritmaları kullanılarak
ilgiyi bu alana yöneltmiştir. sınıflandırmalar yapılmış ve elde edilen doğruluk oranları
kullanılan yöntemlerinin performansınıolumlu yönde etkilediği
Konuşma duygularının ortaya çıkarılması için uygulanan
gözlemlenmiştir.
geleneksel yöntemlerde konuşmanın akustik içeriği ile ilgili
özellikler çıkarılmaktadır. Makine öğrenme teknikleri ve Duygu sınıflandırması, duygu analizinin en önemli adımıdır
önceden belirlenmiş duygu etiketleri kullanılarak öznitelikleri ve son yıllarda en fazla ilgi gören çalışma alanlarından biri
çıkarılmış konuşma duyguları sınıflandırılabilmektedir. İnsan- olmuştur (Lin vd., 2014).
bilgisayar etkileşimi sonucunda konuşmadan duygu tanıma
Duygu sınıflandırması, belge (Yessenalina vd., 2010), cümle
probleminde sınıflandırma doğruluğunu arttırmak için yeni bir
(Pang vd., 2002) ve kelime (Breck vd., 2007) düzeyinde
hibrit mimari önermişlerdir(Er, 2020). Önerilen tekniğin
gerçekleştirilebilir. Duygu sınıflandırması için genellikle farklı
konuşma duygularının doğru ve verimli bir şekilde
yöntemler kullanılmaktadır. Duygu analizinde sözlüğe dayalı,
sınıflandırılabilindiğini yapılan deneyler ile açık bir şekilde
makine öğrenmesine dayalı ve hibrit olmak üzere farklı
göstermişlerdir.
yöntemler ele alınmaktadır (Medhat vd., 2014). Duygu
Öznel bir olgu olan duygular, boyutsal ve kategorik olmak analizinde kullanılan algoritmalar ve sınıflandırma yöntemleri
üzere iki grupta ele alınmaktadır. Kategorik modellerde tek Şekil-1’deki gibi gösterilmiştir (Medhat vd., 2014; Ravi&Ravi,
kelime ya da kelime grupları kullanılarak duygular 2015).
tanımlanırken, iki boyutlu modellerde uyarılma değerleri ve
değerlilik ölçüleri ele alınmaktadır(Alarcao&Fonseca, 2017;
Sınıflandırma Yöntemleri
Duygu Analizi
Sözlük Derlem
Tabanlı Tabanlı Denetimsiz Öğrenme Denetimli Öğrenme
İstatistiksel Anlamsal
Doğrusal Olasılıksal Karar Kural Tabanlı
Sınıflandırıcılar Sınıflandırıcılar Ağaçları Sınıflandırıcılar
Şekil 1. Duygu analizinde kullanılan algoritmalar ve sınıflandırma yöntemleri (Medhat vd., 2014; Ravi&Ravi, 2015).
e-ISSN:2148-2683 1052
European Journal of Science and Technology
Makine öğrenmesi yaklaşımları dil yapılarının eğitilmesinde Sözlük tabanlı yaklaşımlarda, manuel olarak oluşturulan
de kullanılmaktadır. Makine öğrenmesine dayalı yöntemlerin sözlüklerin yüksek maliyetinden kaçınmak için sözlüklerin
doğruluğu uygun eğitilme kalitesine, kullanılan sınıflandırıcının otomatik bir şekilde oluşturulması önem kazanmıştır (Li vd.,
uygunluğuna ve kullanılan eğitim setine bağlı olarak 2012; Hatzivassiloglou&McKeown, 1997). Duygu sözlüklerinin
değişebilmektedir (Devika vd., 2016). Makine öğrenmesine genişletilmesi için kelimelerin dilsel ilişkileri veya anlamsal
dayalı yöntemlerin eğitim seti vb. alanlara bağımlı olmaları ve sözlükleri (WordNet) kullanan birçok çalışma olmuştur
eğitim gerektirmeleri gibi dezavantajları bulunmaktadır. Ancak (Rao&Ravichandran, 2009; Kamps vd., 2004). NRC duygu
sözlük temelli yaklaşımlar herhangi bir eğitim seti gerektirmez sözlüğü, kitle yaklaşımı ile oluşturulan bir sözlüktür
ve eğitim gerektirmemesi sözlük tabanlı yaklaşımlara avantaj (Mohammad vd., 2015). DepecheMood, kapsam açısından geniş
sağlamaktadır. ve yüksek hassasiyetli otomatik olarak oluşturulmuş bir
sözlüktür (Staiano&Guerini, 2014). LIWC sözlüğü olarak
Metin sınıflandırma için makine öğrenmesi yaklaşımları
bilinen Dilbilimsel Sorgulama ve Kelime Sayımı, geniş bir metin
tercih edildiğinde denetimli ve denetimsiz öğrenme yöntemleri
analiz yazılımıdır (Pennebaker vd., 2001). EmoSenticNet,
ele alınır. Denetimli öğrenmede, önceden etiketlenmiş bir veri
SenticNet kavramlarına altı WordNetAffect duygu etiketi atayan
kullanılarak bir sınıflandırma modeli oluşturulur. Daha sonra
sözcüksel bir kaynaktır (Poria vd., 2012). Empath, büyük
elde edilen sınıflandırma modeli, test verilerinin sınıf etiketi
duygusal kategori kümelerini analiz etmek için tasarlanmış
atamaları için kullanılır. Denetimli öğrenme yöntemi, makine
kelime sınıflandırma yaklaşımıdır. Bununla birlikte, F. Koto ve
öğrenmesi yaklaşımında daha fazla tercih edilmektedir. En
M. Adrianitwitter verilerini kullanarak ve Plutchik’in duygu
yaygın olarak kullanılan denetimli öğrenme algoritmalarına
çarkına (Plutchik, 2001) atıfta bulunarak Hashtag Tabanlı Duygu
baktığımızda, Olasılıksal Sınıflandırıcılar (NaiveBayes, Bayes
(HBE) sözlüğünü oluşturmuşlardır (Koto&Adriani, 2015). Song
Ağları, Maksimum-Entropi), Kural Tabanlı Sınıflandırıcılar,
ve arkadaşları 2016 yılında duygu-kelime sözlüğü kavramını,
Doğrusal Sınıflandırıcılar(Destekçi Vektör Makinesi, Sinir
duyguların anlambilimini işin içine katarak genişletmişlerdir.
Ağları) ve Karar Ağaçları yöntemleridir (Medhat vd., 2014)
(Ravi&Ravi, 2015). Bu çalışmamızda önerdiğimiz NAYALex sözlüğü, NRC
Emotion sözlüğü ve Plutchnik'in duygu çarkıdâhil edilerek diğer
Etiketli eğitim verilerine ulaşmanın zor olduğu durumlarda
sözlüklere göre daha fazla duygu sınıflandırması için
denetimsiz öğrenme yöntemleri uygulanır. Önceden belirlenmiş
oluşturulmuş ve kullanıma hazır hale getirilmiştir.
duygu terimlerinin bir araya getirilmesi sözlük tabanlı
yaklaşımlara kaynak sağlar. Sözlük tabanlı yaklaşımların
doğrulukları, oluşturulan sözlükteki kelime-duygu ikililerinin 3. Materyal ve Metod
bulunma derecelerinden etkilenebilmektedir (Koumpouri vd.,
Sosyal medyanın yaygın bir şekilde kullanımıyla paylaşılan
2015). Kullanılan duygu sözlüğünün ölçeği, metinden
içeriklerdeki duyguların ortaya çıkarılması giderek önem
çıkarılacak duyguları doğrudan etkilemektedir. Sözlük tabanlı
kazanmaktadır. Sosyal medya kullanıcıları duygularını,
yaklaşımda, önce metinden duygu kelimeleri çıkarılır ve
paylaştıkları metinlere yansıtarak bu alanda yapılacak çalışmalar
çıkarılan duygu kelimelerinin eş ve zıt anlamları sözlükte aranır
için büyük veri kaynakları oluşturmaktadırlar. Farklı şekillerde
(Medhat vd., 2014). Derlem tabanlı yöntemler ise, anlamsal ve
ortaya çıkan duyguların, metinlerden çıkarılması duygu
istatistiksel yaklaşımlar olmak üzere iki farklı şekilde ele alınır
sözlükleri ile yapılabilmektedir. Ancak duygu sınıflandırması
ve kelime kökleri dikkate alınarak duygu içeren kelimelerin
için kullanılan sözlüklere baktığımızda, anahtar kelimelere
metin içerisinden aranması şeklinde gerçekleştirilir (Medhat vd.,
atanmış duygu ifadelerinin sınırlı sayıdaki duyguları içermesi
2014; Pang& Lee, 2009). Hibrit yaklaşımlar, sözlük ve makine
dezavantaj olarak görülmektedir.
öğrenmesi yaklaşımlarının bir arada ele alınmasıyla oluşturulan
yaklaşımlardır (Medhat vd., 2014; Liu, 2012). İstatistiksel
yaklaşımda, istatistiksel yöntemler kullanılarak duygu ifade eden 3.1 Veri Kümesi
kelimelerin kökleri tespit edilir. Duygu, bir kelimenin pozitif- Deneysel işlemlerde kullanılan veri seti, hesabı gizli
negatif cümle veya metin içinde bulunma sıklığı ile belirlenir. olmayan Instagram kullanıcılarına ait toplam 10000
Kelimenin negatif veya pozitif cümlelerde bulunma frekansı, veridenoluşmaktadır. Her bir veri herhangi bir kullanıcıya ait
kelimenin pozitif, negatif veya nötr duygu bildiren bir kelime paylaşım bilgisini içermektedir. Instagram API kullanılarak elde
olması üzerinde etkilidir. Bir duyguyu ifade eden bir sözcükle edilen Instagram kullanıcılarına ait veriler toplanırken sadece
bir kelimenin bir arada bulunma sıklığının daha yüksek olması, İngilizce dilinde ve en az 5 kelimeden oluşan metinsel
kelimenin benzer bir duyguya sahip olabileceği anlamına paylaşımlar dikkate alınmıştır. Elde edilen veri seti üzerinde
gelir(Medhat vd., 2014; Liu, 2012). Anlamsal yaklaşım, sözlük doğal dil işleme teknikleri kullanılarak ön işlemler ve veri
modeli oluşturma amacıyla benzer duygu içeren kelimelerin temizleme işlemleri yapılmıştır.
anlamsal olarak benzer olduğu temeline dayanır (Liu, 2012).
3.2 Yöntem
Sözlük tabanlı yaklaşımda, duyguların çıkarılması için
sözcük kaynakları kullanılır. Önceden elde edilmiş bir kelime Bu çalışmada, kişiliğin belirlenmesinde büyük önemi olan
havuzuna göre metinden duygu ifade eden kelimeler ve duygu sınıflandırmalarının literatürde kısıtlı sayıda
duyguların eşleştirilmesi şeklinde gerçekleştirilir. Sözlük tabanlı yapılabilmesinden kaynaklanandezavantajın ortadan kaldırılması
yaklaşımlarda, hem MPQA (Deng&Wiebe, 2015) ve hedeflenmiştir. 38 farklı duygu sınıflandırması yapabilen
SentiWordNet (Baccianella vd., 2010) gibi duygu sözlüklerinden NAYALex sözlüğünü, Şekil-2’de gösterildiği gibi 3 ana
hem de dil özelliklerinden faydalanırlar. aşamadaÖn İşlem Aşaması, Dönüşüm Aşaması ve Sınıflandırma-
Sözlük Oluşturma Aşaması’yla oluşturduk.
Sözlük tabanlı yaklaşımları performans olarak
değerlendirdiğimizde, sözlükteki duygu ifadelerinin kutupluluk
derecesine bağlı olarak değiştiği görülmektedir (Turney, 2002).
e-ISSN:2148-2683 1053
Avrupa Bilim ve Teknoloji Dergisi
NRC
Kelime-Duygu Duygu
Listesi Çiftlerine Göre
Duygu
Yeniden NAYALex
Dönüşümü Duygu Sözlüğü
Sınıflandırma
Plutchik
Duygu Çiftleri
Ön İşlem Aşaması: NRC Duygu Sözlüğündeki 14.182 oluşturmak için birleştirilir (Tablo-2). Bir sonraki dönüşüm
kelime, duygu dönüşümü için bir ilişki derecesi atayarak NRC aşaması için NRC ikili Duygu kombinasyonları ve bunun
duygu kategorileri ile eşleştirilmiştir (Tablo-1). Aynı zamanda, sonucunda Plutchik'in duygu kategorileri oluşturulur.
NRC duygu kategorileri, Plutchik'in duygu kategorilerini
Duygu İlişkilendirme
Sözlük Kelime Sayısı
Kategorileri Dereceleri
duygular:
14.182 unigram 0 (ilişkili değil)
* olumlu
(kelime) veya 1 (ilişkili)
*olumsuz
e-ISSN:2148-2683 1054
European Journal of Science and Technology
Dönüşüm Aşaması: NRC Duygu sözlüğündeki her bir her duygu çiftine karşılık gelen duygu için 0 ve 1 şeklinde
kelime, olumlu-olumsuz duygularve 8 farklı duygu (neşe, güven, derecelendirilmektedir. Elde edilen kelime-duygu sözlüğündeki
korku, şaşkınlık, üzüntü, tiksinme, öfke ve beklenti) için 0 (ilişki her kelime, ayrıca NRC Duygu sözlüğünde doğrudan karşılık
yok) ve 1 (ilişki var) şeklinde derecelendirilmiştir (Mohammad, bulan olumlu-olumsuz ve 8 farklı duygu için derecelendirilerek
2016). Ön işlem aşamasında elde edilen duygu setleri referans 38 farklı duygu içeren sözlük ortaya çıkarılmaktadır.
alınarak, Plutchik duygu çiftlerinin etki ettiği ve ortaya çıkardığı
NAYALex sözlüğünün oluşturulması Tablo-3’te sembolik
yeni duygularla eşleştirilmektedir.
olarak ifade edilmiştir. Sembolik gösterimdeki (X,Y,Z) birer
Sınıflandırma-Sözlük Oluşturma Aşaması: NRC Duygu kelime, (A,B,C) NRC sözlüğünde bulunan ve(X,Y,Z)
Sözlüğü’nde bulunan 8 duygu ile Plutchik’in Temel Duyguların kelimeleriyle ilişkili olan duygular, (A+B, B+C, A+C) Plutchik
Psikoevrimsel Teorisi’ne (Drews&Krohn, 2007) göre belirlenen teorisinde yer alan duygu çiftleri, (J,K,L) duygu dönüşümü
8 temel duygu aynıdır. Plutchik Duygu Çarkı’nda bulunan 8 sonucu ortaya çıkan ve NAYALex sözlüğünde bulunan duyguları
temel duygu birbirleriyle birleşerek 28 duygu çifti oluşturmakta belirtmektedir.
ve bu duygu çiftlerinin birleşimi daha farklı duyguları meydana
NRC Duygu sözlüğünde bulunan her bir kelime (örneğin
getirmektedir. Tablo 2’deki İkili Duygu Kombinasyonları
“X” kelimesi); NRC Duygu Sözlüğünde ilişkili olduğu duygular
dikkate alınarak, duygu çiftleri için eşleştirmeler yapılmaktadır.
(A,B) için “1”, ilişkili olmadığı duygular (C) için “0” ile
NRC Duygu Sözlüğü’nde bulunan her bir kelimenin ilişkili
belirtilmiştir. “X” kelimesi için duygu dönüşümüne etki eden
olduğu duygular, Plutchik’in duygu çiftlerine göre uyarlanmakta
Plutchik duygu çifti/çiftleri A + B → J şeklinde ifade edilmiştir.
ve 28 farklı duygudaki her bir kelime Plutchik'inTablo 2’deki
Duygu dönüşümü sonrası oluşan NAYALex sözlüğümüzde “X”
duygu kategorileriyleyeniden ilişkilendirilmektedir. Bu
kelimesi için oluşan duygu ilişkileri A → 1, B → 1, C → 1, J →
ilişkilendirme şu şekilde yapılmaktadır;28 farklı duygu çifti için
1, K → 0, L → 0 şeklinde olmaktadır.
NRC Duygu Sözlüğü’ndeki her kelime aranmakta ve bulunan
e-ISSN:2148-2683 1055
Avrupa Bilim ve Teknoloji Dergisi
Tablo 3. Duygu Çiftlerine Göre Duygu Dönüşümü ve Yeniden Sınıflandırma Sembolik Gösterimi
NAYALex'te Oluşan Duygu
Dönüşüme Etki Eden Etiketleri
Sözlük Kelimesi NRC Duygu Etiketi Plutchik Duygu Çifti 1→ilgili duygu sözlük kelimesi ile
(X,Y,Z birer kelime) (A,B,C birer duygu) (J,K,L oluşturulan yeni ilişkili
duygular) 0→ ilgili duygu sözlük kelimesi ile
ilişkili değil
A→ 1
B→1
A→ 1
C→0
X B→1 A+ B → J
J→1
C→0
K→0
L→0
A→ 0
B→1
A→ 0
C→1
Y B→1 B+C→L
J→0
C→1
K→0
L→1
A→ 1
B→1
A→ 1 A+ B → J
C→1
Z B→1 A+ C → K
J→1
C→1 B+C→L
K→1
L→1
NRC ve NAYALex sözlükleri için kelimelerin geçtiği NAYALex sözlüğünün veri seti üzerinde uygulanması ve
metinleri ilişkili (1) etki gösterdiği duygular Tablo-4’te örnek değerlendirilmesi hedeflenmektedir.
olarak gösterilmiştir. Yukarıda sembolik olarak oluşumu ifade
NAYALex sözlüğü için oluşturulanPython Kütüphanesi
ettiğimiz NAYALex sözlüğümüz için Python dilinde bir
kullanılarak Instagram veri setindeki tüm veriler 38 farklı duygu
kütüphane oluşturduk. Oluşturduğumuz kütüphaneyi kullanarak
için sınıflandırılmıştır. Sınıflandırılmış veri setinden istenilen bir
sözlüğümüzün uygulanabilirliğini göstermek için Bölüm IV’te
kullanıcıya ait duygu yoğunluğunu ortaya çıkarmak için, veri
birtakım deneysel çalışmalar yaptık.
setinde ilgili kullanıcıya ait sınıflandırılmış tüm verilerden
4. Deneysel Çalışmalar ve Tartışma ortalama duygu yoğunluğu elde edilmektedir. Şekil 3’te 13 faklı
kullanıcıya ait Instagram verilerinin kullanıcı bazlı olarak
Bu bölümde NRC duygu Sözlüğü (Mohammad, 2016) ve ortalama duygu yoğunluklarını gösterilmektedir.
Plutchik’in Temel Duyguların Psikoevrimsel Teorisine
(Drews&Krohn, 2007) dayanarak melez bir şekilde oluşturulan
e-ISSN:2148-2683 1056
European Journal of Science and Technology
Şekil 3’te verilen ortalama duygu yoğunluğu 10000 farklı sınıflandırılmıştır. Ardından veri setindeki tüm paylaşımlar her
veriden oluşan veri setinde yapılan duygu sınıflandırması sonucu bir kullanıcı için filtrelenerek ortalama duygu yoğunlukları elde
rasgele seçilmiş 13 kullanıcıya aittir. edilmiştir. İstenilen kullanıcıların duygu yoğunlukları Şekil-
3’teki gibi aynı anda gösterilerek, kişiler arasındaki benzer
Burada ifade edilen ortalama duygu yoğunluğu için, her bir
duygu yoğunlukları izlenebilmektedir.
kullanıcıya ait farklı sayıdaki paylaşımlarNAYALex Sözlüğü ile
Alışılmış “kelime bulutu” kavramına farklı bir bakış kullanılarak sınıflandırılmış paylaşımlarına ait örnek bir “duygu
katarak, 12 nolu kullanıcı için NAYALex Duygu Sözlüğü bulutu” Şekil-5’te gösterilmiştir.
e-ISSN:2148-2683 1057
Avrupa Bilim ve Teknoloji Dergisi
NRC EmoSentic -
Duygu NAYALex LIWC Empath
(Emolex) Net
Positive (olumlu) √ √ √ x x
Negative (olumsuz) √ √ √ x x
Anger (öfke) √ √ √ √ √
Sadness (üzüntü) √ √ √ √ √
Joy (sevinç) √ √ x √ √
Fear (korku) √ √ x √ √
Surprise (sürpriz) √ √ x √ √
Disgust (tiksinti) √ √ x √ x
Trust (güven) √ √ x x x
Anticipation (beklenti) √ √ x x x
Love (sevgi) √ x x x √
Optimism (iyimserlik), Hope (umut),
Anxiety (kaygı),Guilt (suçluluk), Delight
(kader), Submission (teslimiyet),Curiosity
(merak), Sentimentality (duygusallık),Awe
(huşu), Despair (umutsuzluk), Shame
(utanç), Bittersweetness (acı tatlılık),
Disapproval (onaylamama), Ambivalence
(kararsızlık), Unbelief (inançsızlık), Outrage √ x x x x
(öfke-nefret), Remorse (pişmanlık),
Envy (kıskançlık), Pessimism (karamsarlık),
Contempt (küçümseme),Cynicism
(alaycılık), Morbidness (kötülük),
Aggressiveness (saldırganlık), Pride (gurur),
Dominance (hakimiyet), Frozenness
(donukluk), Confusion (bilinç bulanıklığı)
(Mohammad, 2016) ve Plutchik’in Temel Duyguların otomatik bir şekilde oluşturulması önem kazanmıştır (Li vd.,
Psikoevrimsel Teorisine (Drews&Krohn, 2007) dayanarak 2012; Hatzivassiloglou& McKeown,1997). NAYALex duygu
oluşturduğumuz NAYALex’in uygulanabilirliği gösterilmiştir. sözlüğü, NRC duygu Sözlüğü (Mohammad, 2016) ve
Plutchik’in Temel Duyguların Psikoevrimsel Teorisi
Sözlük tabanlı yaklaşımlarda, manuel olarak oluşturulan
(Drews&Krohn, 2007) kullanılarak otomatik olarak
sözlüklerin yüksek maliyetinden kaçınmak için sözlüklerin
oluşturulmuş olup, yüksek maliyet ortadan kaldırılmıştır.
Tablo 6. Nayalex ve Diğer Duygu Sözlüklerinin Sınıflandırma Oranlarının Karşılaştırılması(Tiffany’nin Belirttiği 154 Farklı
Duyguya Göre)
EmoSentic-
# NAYALex NRC(Emolex) Empath LIWC
Net
Doğrudan
Sınıflandırabildiği Duygu 38 8 6 6 4
Sayısı
Tiffany’nin 154
Duygusunu Temsil Etme 24,70% 6,50% 3,90% 3,90% 2,60%
Oranı
Dünya çapında 154 farklı duygu olduğunu ifade eden Cambria, E., Schuller, B., Xia, Y., &Havasi, C. (2013). New
Tiffany (Medhat vd., 2014)’nin belirttiği duygular arasından en avenues in opinionminingandsentimentanalysis. IEEE
fazla sayıda duygu sınıflandırması yapabilen sözlükönerdiğimiz Intelligentsystems, 28(2), 15-21.
NAYALex sözlüğüdür. Tiffany’nin belirttiği duygular dikkate Colombetti, G. (2009).
alındığında; NAYALex bu duyguların %24,7’sini, NRC Fromaffectprogramstodynamicaldiscreteemotions.
%6,5’ini, LIWC %2,6’sını, EmoSenticNet %3,9’unu ve Empath PhilosophicalPsychology, 22(4), 407-425.
%3,9’unu oransal olarak temsil ettiği ve doğrudan Deng, L., &Wiebe, J. (2015). Mpqa 3.0: An entity/event-
sınıflandırabildiği Tablo-6 da gösterilmiştir. Bildiğimiz kadarıyla levelsentimentcorpus. InProceedings of the 2015 conference
bu çalışma, sözlük tabanlı duygu sınıflandırması yapan of the North Americanchapter of
çalışmalar arasında, doğrudan 38 farklı duyguyu ortaya theassociationforcomputationallinguistics:
çıkarabilen ve %24,7 lik temsil oranıyla ilk en kapsamlı sözlük humanlanguagetechnologies (pp. 1323-1328).
olmuştur. Devika, M. D., Sunitha, C., &Ganesh, A. (2016).
Sentimentanalysis: a comparativestudy on
Gelecekteki çalışmamızda NAYALex Duygu Sözlüğünü
differentapproaches. ProcediaComputerScience, 87, 44-49.
genişletmeye odaklanacağız. Bunun için WordNet vb. anlamsal
Drews, M. (2007). Robert Plutchik'sPsychoevolutıonaryTheory
sözlükler ve kelimelerin dilsel ilişkilerini kullanarak duygu
Of BasıcEmotıons.(Erişim tarihi: 12.07.2021,
sözlüğünü genişletmeye ve makine öğrenmesi tabanlı
http://www.adliterate.com/archives/Plutchik.emotion.theorie
sınıflandırma algoritmalarını kullanarak test etmeye çalışacağız.
.POSTER.pdf)
Drews, M., &Krohn, M. (2007). Robert
Plutchik’sPsychoevolutionarytheory of basicemotions.
6. Teşekkür University of AppliedSciencesPostdam, Germany.
Retrievedfrom http://www. markusdrews. de/Plutchiks.
Çalışmalarımda bana destek olan ve fırsat veren eşim
Emotionstheorie. PLAKAT. pdf.
Yıldız’a, kızlarım Beyza Nur ve Meva Sultan’a teşekkür ederim.
Er, M. B. (2020). A NovelApproachforClassification of Speech
Kaynakça EmotionsBased on DeepandAcousticFeatures. IEEE Access,
8, 221640-221653.
Alarcao, S. M., &Fonseca, M. J. (2017). ER, M. B., & Harun, Ç. İ. Ğ. (2020). Türk Müziği Uyaranları
Emotionsrecognitionusing EEG signals: A survey. IEEE Kullanılarak İnsan Duygularının Makine Öğrenmesi
Transactions on Affective Computing, 10(3), 374-393. Yöntemi İle Tanınması. Gazi Üniversitesi Fen Bilimleri
Alarid, M. (2016). Recruitmentandradicalization: The role of Dergisi Part C: Tasarım ve Teknoloji, 8(2), 458-474.
socialmediaandnewtechnology. Impunity: Fast, E., Chen, B., &Bernstein, M. S. (2016, May). Empath:
Counteringillicitpower in warandtransition, 313-330. Understandingtopicsignals in large-scaletext. InProceedings
Baccianella, S., Esuli, A., &Sebastiani, F. (2010). Sentiwordnet of the 2016 CHI conference on humanfactors in
3.0: An computingsystems (pp. 4647-4657).
enhancedlexicalresourceforsentimentanalysisandopinionmin Hatzivassiloglou, V., &McKeown, K. (1997, July).
ing. Lrec, 10, 2200-2204. Predictingthesemanticorientation of adjectives. In 35th
Bae, H. S., Lee, H. J., & Lee, S. G. (2016, June). Voice annualmeeting of
recognitionbased on adaptive MFCC anddeeplearning. In theassociationforcomputationallinguisticsand 8th conference
2016 IEEE 11th Conference on IndustrialElectronicsand of theeuropeanchapter of
Applications (ICIEA) (pp. 1542-1546). IEEE. theassociationforcomputationallinguistics (pp. 174-181).
Breck, E., Choi, Y., &Cardie, C. (2007, January). Hidalgo, C. R., Tan, E. S. H., &Verlegh, P. W. (2015).
Identifyingexpressions of opinion in context. In IJCAI (Vol. Thesocialsharing of emotion (SSE) in online
7, pp. 2683-2688).
e-ISSN:2148-2683 1059
Avrupa Bilim ve Teknoloji Dergisi
socialnetworks: A casestudy in Live Journal. Computers in Mohammad, S., &Kiritchenko, S. (2013, June). Using nuances
Human Behavior, 52, 364-372. of emotiontoidentifypersonality. InSeventh International
Hussein, D. M. E. D. M. (2018). A survey on AAAI Conference on WeblogsandSocial Media.
sentimentanalysischallenges. Journal of Pang, B., & Lee, L. (2009).
KingSaudUniversity-EngineeringSciences, 30(4), 330-338. Opinionminingandsentimentanalysis. Comput. Linguist,
Kamps, J., Marx, M., Mokken, R. J., & De Rijke, M. (2004, 35(2), 311-312.
May). Using WordNettomeasuresemanticorientations of Pang, B., Lee, L., &Vaithyanathan, S. (2002). Thumbsup?
adjectives. In LREC (Vol. 4, pp. 1115-1118). Sentimentclassificationusingmachinelearningtechniques.
Koto, F., &Adriani, M. (2015, December). HBE: Hashtag- arXivpreprintcs/0205070.
basedemotionlexiconsfortwittersentimentanalysis. Pennebaker, J. W., Francis, M. E., &Booth, R. J. (2001).
InProceedings of the 7th Forum for Information Retrieval Linguisticinquiryandwordcount: LIWC 2001. Mahway:
Evaluation (pp. 31-34). Lawrence ErlbaumAssociates, 71(2001), 2001.
Koumpouri, A., Mporas, I., &Megalooikonomou, V. (2015, Picard, R. W. (2000). Affectivecomputing. MIT press.
September). Evaluation of FourApproachesfor" Sentiment Plutchik, R. (1980). A general psychoevolutionarytheory of
Analysis on Movie Reviews" TheKaggleCompetition. emotion. InTheories of emotion (pp. 3-33). Academicpress.
InProceedings of the 16th International Conference on Plutchik, R. (2001). Thenature of emotions: Human
Engineering Applications of Neural Networks (INNS) (pp. emotionshavedeepevolutionaryroots, a
1-5). factthatmayexplaintheircomplexityandprovidetoolsforclinica
Kušen, E., Cascavilla, G., Figl, K., Conti, M., &Strembeck, M. lpractice. Americanscientist, 89(4), 344-350.
(2017, August). Identifyingemotions in socialmedia: Poria, S., Gelbukh, A., Cambria, E., Yang, P., Hussain, A.,
comparison of word-emotionlexicons. In 2017 5th &Durrani, T. (2012, October).
International Conference on Future Internet of MergingSenticNetandWordNet-
ThingsandCloudWorkshops (FiCloudW) (pp. 132-137). Affectemotionlistsforsentimentanalysis. In 2012 IEEE 11th
IEEE. internationalconference on signalprocessing (Vol. 2, pp.
Lang, P. J. (1995). Theemotionprobe: Studies of 1251-1255). IEEE.
motivationandattention. Americanpsychologist, 50(5), 372. Rao, D., &Ravichandran, D. (2009, March). Semi-
Li, F., Pan, S. J., Jin, O., Yang, Q., &Zhu, X. (2012, July). Cross- supervisedpolaritylexiconinduction. InProceedings of the
domain co-extraction of sentimentandtopiclexicons. 12th Conference of theEuropeanChapter of the ACL (EACL
InProceedings of the 50th Annual Meeting of 2009) (pp. 675-682).
theAssociationforComputationalLinguistics (Volume 1: Ravi, K., &Ravi, V. (2015). A survey on
LongPapers) (pp. 410-419). opinionminingandsentimentanalysis: tasks,
Lin, C. K., Lee, Y. Y., Yu, C. H., &Chen, H. H. (2014, approachesandapplications. Knowledge-basedsystems, 89,
November). Exploringensemble of models in taxonomy- 14-46.
basedcross-domain sentimentclassification. InProceedings Song, K., Gao, W., Chen, L., Feng, S., Wang, D., &Zhang, C.
of the 23rd ACM International Conference on Conference (2016, July). Buildemotionlexiconfromthemood of
on Information and Knowledge Management (pp. 1279- crowdviatopic-assistedjointnon-negativematrixfactorization.
1288). InProceedings of the 39th International ACM SIGIR
Liu, B. (2012). Sentimentanalysisandopinionmining. conference on Researchand Development in Information
Synthesislectures on humanlanguagetechnologies, 5(1), 1- Retrieval (pp. 773-776).
167. Staiano, J., &Guerini, M. (2014). Depechemood: a
Malik, K. R., Ahmad, M., Khalid, S., Ahmad, H., Al‐Turjman, lexiconforemotionanalysisfromcrowd-annotatednews.
F., &Jabbar, S. (2020). Image andcommandhybrid model arXivpreprint arXiv:1405.1605.
forvehiclecontrolusing Internet of Vehicles. Transactions on Turney, P. D. (2002). Thumbsuporthumbsdown?
EmergingTelecommunications Technologies, 31(5), e3774. Semanticorientationappliedtounsupervisedclassification of
Medhat, W., Hassan, A., &Korashy, H. (2014). reviews. arXivpreprintcs/0212032.
Sentimentanalysisalgorithmsandapplications: A survey. Woolf, N. (2016). As fakenewstakesover Facebook feeds,
AinShamsengineeringjournal, 5(4), 1093-1113. manyaretaking satire as fact. TheGuardian. Accessed, 1, 04-
Mittal, S., Agarwal, S., &Nigam, M. J. (2018, November). Real 18.
time multiplefacerecognition: A deeplearningapproach. Yessenalina, A., Yue, Y., &Cardie, C. (2010, October). Multi-
InProceedings of the 2018 International Conference on levelstructuredmodelsfordocument-
DigitalMedicineand Image Processing (pp. 70-76). levelsentimentclassification. InProceedings of the 2010
Mohammad, S. (2011). SentimentandEmotionLexicons. ( conference on empiricalmethods in
Erişim tarihi: 12.07.2021, naturallanguageprocessing (pp. 1046-1056).
http://saifmohammad.com/WebPages/lexicons.html).
Mohammad, S. (2016) NRC Word-EmotionAssociationLexicon.
(Erişim tarihi: 12.07.2021,
http://saifmohammad.com/WebPages/NRC-Emotion-
Lexicon.html).
Mohammad, S. M., Zhu, X., Kiritchenko, S., & Martin, J.
(2015). Sentiment, emotion, purpose, andstyle in
electoraltweets. Information Processing& Management,
51(4), 480-499.
e-ISSN:2148-2683 1060