Kelime Tabanlı Duygu Analizi
Lexicon-Based Sentiment Analysis · Ayrıca şöyle bilinir: dictionary-based sentiment analysis, rule-based sentiment scoring, Sözlük Tabanlı Duygu Analizi
Kelime tabanlı duygu analizi, AFINN (Nielsen, 2011), SentiWordNet, VADER (Hutto & Gilbert, 2014) ve NRC Duygu Sözlüğü gibi önceden oluşturulmuş duygu sözlüklerini kullanarak kelime düzeyinde duygu hesaplar. Yüklü terimlerin bulunduğu bir sözlükte kelimeleri arayarak metni puanlar, bu nedenle etiketlenmiş eğitim verisine ihtiyaç duymaz.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketlenmiş bir eğitim kümeniz olmadan, metin verileriniz ve dilinizle eşleşen bir duygu sözlüğünüz olduğunda kelime tabanlı duygu analizini kullanın. Çapraz kesitsel veya boylamsal metin üzerinde sınıflandırma ve tanımlayıcı hedefler için uygundur ve yalnızca küçük bir veri kümesi (yaklaşık 10 belge veya daha fazla) gerektirir. Etiketlenmiş veri toplamak pratik olmadığında doğal seçimdir, çünkü buna gerek yoktur.
Güçlü yönler & sınırlılıklar
- Etiketlenmiş eğitim verisi gerektirmez; önceden oluşturulmuş sözlük puanları doğrudan sağlar.
- Basit, hızlı ve şeffaf: her puan sözlükteki belirli kelimelere geri izlenebilir.
- Küçük veri kümelerinde çalışır ve AFINN ve VADER gibi yerleşik sözlüklerle uygulaması kolaydır.
- Tamamen hedef dil için bir duygu sözlüğünün varlığına bağlıdır.
- Metin ön işleme zorunludur; aksi takdirde sözlük kelimeleri kaçırır veya yanlış eşleştirir.
- Sözlükte bulunmayan kelimeler hiçbir şey katmaz, bu nedenle alana özgü veya yeni kelimeler göz ardı edilir.
SSS
Kelime tabanlı duygu analizi eğitim verisine ihtiyaç duyar mı?
Hayır. AFINN, SentiWordNet, VADER veya NRC Duygu Sözlüğü gibi önceden oluşturulmuş bir duygu sözlüğü kullanır ve kelime aramasıyla puanları hesaplar, bu nedenle etiketlenmiş bir eğitim kümesi gerekmez.
Hangi sözlüğü seçmeliyim?
Veri kümesi diliniz ve metin türünüzle eşleşen bir sözlük seçin. AFINN ve VADER kısa, sosyal medya tarzı metinler için ayarlanmıştır, SentiWordNet WordNet anlamlarından yararlanır ve NRC Duygu Sözlüğü polaritenin ötesinde duygu kategorileri ekler. Sözlük metninizin dilini kapsamalıdır.
Neden ön işleme gereklidir?
Puanlar, jetonları sözlükle eşleştirmekten gelir, bu nedenle metnin önce normalleştirilmesi ve jetonlara ayrılması gerekir. Ön işleme olmadan, gürültülü veya standart olmayan jetonlar sözlükle eşleşemez ve duygu okuması düşer.
Makine öğrenimi duygu analizinden nasıl farklıdır?
Kelime tabanlı bir yöntem, sabit bir sözlükle kelimeleri puanlar ve veriden hiçbir şey öğrenmezken, bir makine öğrenimi yaklaşımı etiketlenmiş örnekler üzerinde bir sınıflandırıcı eğitir ve alana uyum sağlar. Kelime tabanlı yol daha basittir ve etikete ihtiyaç duymaz, ancak alana özgü desenleri öğrenemez veya sarkazm gibi bağlamları işleyemez.
Kaynaklar
- Nielsen, F.Å. (2011). A New ANEW: Evaluation of a Word List for Sentiment Analysis in Microblogs. Proceedings of the ESWC Workshop on 'Making Sense of Microposts'. link ↗
- Hutto, C.J. & Gilbert, E. (2014). VADER: A Parsimonious Rule-based Model for Sentiment Analysis of Social Media Text. Proceedings of the International AAAI Conference on Web and Social Media (ICWSM), 8(1), 216-225. DOI: 10.1609/icwsm.v8i1.14550 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Lexicon-Based Sentiment Analysis. ScholarGate. https://scholargate.app/tr/text-mining/lexicon-based-sentiment
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Duygu AnaliziMetin madenciliği↔ karşılaştır
- Öznellik TespitiMetin madenciliği↔ karşılaştır
- Metin Karmaşıklığı AnaliziMetin madenciliği↔ karşılaştır