AZƏRBAYCAN MİLLİ ELMLƏR AKADEMİYASI
MAŞIN TƏLİMİ ƏSASINDA TWITTER MƏLUMATLARININ SENTİMENT ANALİZİ
Məkrufə Ş. Hacırəhimova, Mərziyə İ. İsmayılova

Məqalədə maşın təlimi alqoritmləri əsasında COVID-19 pandemiyası ilə bağı müxtəlif ölkələrin Twitter sosial şəbəkə istifadəçilərinin fikirləri analiz edilmişdir. Sosial şəbəkə erasının gəlişi, mikrobloq əlavələrinin və forumların sürətlə yayılması ilə bağlı sentiment analizin rolu əhəmiyyətli dərəcədə artmışdır. Sosial şəbəkələr istifadəçilərin müxtəlif mövzularda fikir və düşüncələri haqqında məlumat toplamaq üçün əsas mənbələrdir. İnsanlar fikir və düşüncələrini başqaları ilə bölüşmək üçün hər gün saatlarla sosial şəbəkələrdə vaxt keçirirlər. Twitter kimi sosial şəbəkə platformalarında müzakirə olunan mövzulardan biri də COVID-19 pandemiyasıdır. Təqdim olunan məqalədə COVID-19 pandemiyası ilə bağlı tvitlərin emosional“rənginin” (müsbət, mənfi və neytral) analiz edilməsi üçün Naive Bayes (NB), Support Vector Machine (SVM), Random Forest (RF), Neural Network (NN) kimi maşın təlimi metodundan istifadə edilmişdir. Tədqiqatda Python proqramlaşdırma mühitində scikit-learn kitabxanasından istifadə edərək təcrübələr aparılmışdır. Eksperimentlərin aparılması üçün Kaggle saytından götürülmüş COVID-19 pandemiyası ilə əlaqəli tvit verilənlər bazasından istifadə edilmişdir. Eksperimentlər zamanı   RF klassifikatoru ən yüksək nəticə göstərmişdir (səh.58-67).

Açar sözlər:Sentiment analiz, Twitter, Mikrobloqlar, Maşın təlimi, Naive Bayes, Neural Network
DOI : 10.25045/jpis.v13.i1.07
Ədəbiyyat
  • Liu, B. (2012). Sentiment analysis and opinion mining. Toronto: Morgan & Claypool Publishers. https://doi.org/10.2200/S00416ED1V01Y201204HLT016
  • Hacırəhimova, M.Ş., İsmayılova, M.İ. (2020). Sentiment analiz: problemləri və həlli yollari. İnformasiya texnologiyaları problemləri, 2, 111-123. https://doi.org/10.25045/jpit.v11.i2.11
  • Evirgen, E. (2016). Sentiment analysis of turkish tweets. Master Thesis. Turkey: Bahcesehir University. https://www.academia.edu/38504379/IJMET_10_01_094_pdf?from=cover_page
  • Alguliev, R., Aliguliyev, R., Hajirahimova, M. (2010). Multi-document summarization model based on integer linear programming. Intelligent Control and Automation, 1(2), 105-111.        https://doi.org/10.4236/ica.2010.12012
  • Kaur, C., Sharma, A. (2020). Twitter Sentiment Analysis on Coronavirus using Textblob. EasyChair Preprint, 2974, 1-10. https://easychair.org/publications/preprint/Fd5m
  • Dashtian, H., Murthy, D. (2021). CML-COVID: A large-scale covid-19 Twitter dataset with latent topics, sentiment and location information, Academia Letters, 1-9. https://doi.org/10.20935/AL314
  • Samina, A. et al. (2021). Machine Learning Approach for COVID-19 Detection on Twitter. Computers, Materials & Continua, 68(2), 2231-2247. https://doi.org/10.32604/cmc.2021.016896
  • Shofiya, C., Samina, A. (2021). Sentiment Analysis on COVID-19-Related Social Distancing in Canada Using Twitter Data. International Journal of Enviromental Research and Public Health, 18(11), 1-10. https://doi.org/10.3390/ijerph18115993
  • Abdulaziz, M. et al. (2021). Topic based Sentiment Analysis for COVID-19 Tweets. International Journal of Advanced Computer Science and Applications, 12 (1), 626-636. https://doi.org/10.14569/IJACSA.2021.0120172
  • Vohra, S. M., Teraiya, J. B. (2013). A comparative study of sentiment Analysis techniques. İnternational Journal of Information, knowledge and research in Computer engineering, 2(2), 313-317.
  • Kumar, A., Sebastian, T. M. (2012). Sentiment Analysis on Twitter. International Journal of Computer Science, 9(4), 372-378. http://www.ijcsi.org/
  • Kolchyna, O. et al. (2015). Twitter Sentiment Analysis: Lexicon Method, MachineLearning Method and Their Combination, Cornell university, 1-32. arXiv.org
  • Borele, P., Borikar, D.A. (2016). An Approach to Sentiment Analysis using Artificial Neural Network with Comparative Analysis of Different Techniques. Journal of Computer Engineering (IOSR-JCE), 18(2), 64-69.
  • Spencer, J., Uchyigit, G. (2012). Sentimentor: Sentiment Analysis of Twitter Data. In The 1st International Workshop on Sentiment Discovery from Affective Data (SDAD), Bristol, UK, 28 September (pp.56-66). http://www.iosrjournals.org/
  • Hasan, A., Moin, S., Karim, A., Shamshirband, S. (2018). Machine Learning-Based Sentiment Analysis for Twitter Accounts International Journal of Mathematical and Computational Applications, 23(11), 1-15. https://doi.org/10.3390/MCA23010011
  • Yadav, S.J., Ranjan, P. (2017). Proposed Approach for Sarcasm Detection in Twitter Shubhodip. Indian Journal of Science and Technology, 10(25), 1-8. https://doi.org/10.17485/ijst/2017/v10i25/114443
  • Bahrainian, S.A., Denge, A. (2013).Sentiment Analysis using Sentiment Features. Proc. of IEEE/WIC/ACM International Conferences on Web Intelligence (WI) and Intelligent Agent Technology (IAT), Washington, USA, November 2013, pp. 26-29. https://doi.org/10.1109/WI-IAT.2013.145
  • Kawade, D.R., Oza, K.S. (2017). Sentiment Analysis: Machine Learning Approach. International Journal of Engineering and Technology, 9(3), pp.2183-2186. https://doi.org/10.21817/IJET/2017/V9I3/1709030151
  • Hafez, A.A., Xu, Y., Tjondronegoro, D. (2012). Product Reputation Model: An Opinion Mining Based Approach. Proc. of the 1st International Workshop on Sentiment Discovery from Affective Data, London, UK, January 2012 (pp.16-27). http://ceur-ws.org/Vol-917/
  • Saleena, A.N. (2018). An Ensemble Classification System for Twitter Sentiment Analysis. Proc. of the International Conference on Computational Intelligence and Data Science (ICCIDS), Gurugram, İndia, January 2018 (pp. 937-946). https://doi.org/10.1016/j.procs.2018.05.109
  • Sumathy, Dr.P., Muthukumari, S.M. (2018). Sentiment Analysis of Twitter Data Using Multi Class Semantic Approach. International Journal of Scientific Research in Computer Science, Engineering and Information Technology (IJSRCSEIT), 3(6), 262-269. https://doi.org/10.32628/CSEIT183654
  • Shehu, H.A., Tokat, S., Sharif, Md. H., Uyaver, S. (2019). Sentiment Analysis of Turkish Twitter Data. Proc of the AIP Conference, 2183(1), AIP Publishing (pp.1-4).  https://doi.org/10.1063/1.5136197
  • Hacırəhimova, M., İmamverdiyeva, A. (2018) Twitter məlumatlarının sentiment analizi. “İnformasiya təhlükəsizliyinin aktual multidissiplinar elmi-praktiki problemləri” IV respublika konfransı, Bakı, Azərbaycan, 14 dekabr 2018 (s. 245-248). https://doi.org/10.25045/NCInfoSec.2018.59
  • Kumar, R. (2015). A survey on opinion mining and sentiment analysis: tasks, approaches and applications. Knowledge-Based Systems, 89, 14-46. https://doi.org/10.1016/j.knosys.2015.06.015
  • Kharde, V.A., Sonawane, S.S. Sentiment Analysis of Twitter Data: A (2016). Survey of Techniques Vishal A. International Journal of Computer Applications, 139(11), 5-15.  https://doi.org/10.5120/ijca2016908625
  • Tang, H., Tan, S., Cheng, X. (2009). A survey on sentiment detection of reviews. International Journal Expert Systems with Applications, 36(7), 10760–10773. https://doi.org/10.1016/j.eswa.2009.02.063
  • Medhat, W., Hassan, A., Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal, 5(4), 1093–1113. https://doi.org/10.1016/j.asej.2014.04.011
  • Vinodhini, G., Chandrasekaran, R.M. (2012). Sentiment Analysis and Opinion Mining: A Survey. International Journal of Advanced Research in Computer Science and Software Engineering, 2(6), 282-292. https://doi.org/10.5121/ijasuc.2013.4102
  • Wawre, S.V., Deshmukh, S.N. (2016). Sentiment Classification using Machine Learning Techniques. International Journal of Science and Research, 5(4), 819-821.
  • Padmaja, S., Fatima, S.S. (2013). Opinion Mining and Sentiment Analysis –An Assessment of Peoples’ Belief: A Survey. International Journal of Ad hoc, Sensor & Ubiquitous Computing (IJASUC), 4(1), 21-33. http://www.ijsr.net
  • Pranali, B., Dilipkumar, A.B. (2016). An Approach to Sentiment Analysis using Artificial Neural Network with Comparative Analysis of Different Techniques. Journal of Computer Engineering, 18(2), 64-69. https://doi.org/10.9790/0661-1802056469
  • Chena, L-S, Liub, C-H, Chiu, H-J. (2011). A neural network based approach for sentiment classification in the blogosphere. Journal of Informetrics, 5(2), 313–322. https://doi.org/10.1016/j.joi.2011.01.003
  • Mathur, R., Bandil, D., Pathak, V. (2018). Analyzing Sentiment of Twitter Data using Machine Learning Algorithm. GADL Journal of Inventions in Computer Science and Communication Technology (JICSCT), 4(2), 1-7.