Araştırma Makalesi
BibTex RIS Kaynak Göster

MAKİNE ÖĞRENMESİ YÖNTEMLERİ KULLANILARAK SOSYAL MEDYADA MARKA İTİBAR ANALİZİ

Yıl 2020, Cilt: 6 Sayı: 2, 57 - 76, 30.12.2020

Öz

Günümüz dünyasında sosyal ağlar aktif bir şekilde kullanılmakta ve kullanıcılar bu platformlarda paylaşımlar yaparak görüşlerini ifade edebilmektedir. Bir marka hakkında yapılan paylaşımlar diğer kullanıcıların görüşlerini ve dolayısıyla ilgili markanın itibarını etkilemektedir. Belirtilen nedenlerden dolayı markalar sosyal medya platformlarında kendileri hakkında yapılan paylaşımları önemsemekte ve bu doğrultuda aksiyonlar almaktadır. Bu çalışma kapsamında sosyal medya paylaşımlarını kullanarak markaların itibarlarını analiz etmesini ve tüketiciler ile aralarındaki ilişkiyi yönetmesini sağlayan bir bilgi sistemi geliştirilmesi hedeflenmiştir. Tasarlanan sistem için markalar hakkında yapılan paylaşımları toplamak amacıyla çok katmanlı mimaride bir yazılım geliştirilmiştir. Toplanan içeriklerin olumlu veya olumsuz olarak sınıflandırılması sürecini insan gücüne kıyasla daha hızlı, masrafsız yapabilmek için makine öğrenmesi yöntemleri kullanılmıştır. Tasarlanan makine öğrenmesi modelleri arasından %90 F-ölçütü başarı skoruna sahip Naive Bayes modeli seçilmiştir. Son olarak seçilen makine öğrenmesi modeliyle otomatik olarak sınıflandırılan paylaşımları ve bilgilerini sunmak için bir web uygulaması olan Marka İtibar Yönetim Sistemi (MİYS) geliştirilmiştir. Bir markaya tanımlanan kullanıcı MİYS kullanarak ilgili marka hakkında yapılan paylaşımları, analizleri görüntüleyebilmektedir. Ayrıca tanımlanan kullanıcı MİYS üzerinden paylaşıma cevap verme, tekrar paylaşma, beğeni gibi bazı aksiyonlar alabilmektedir. İleriki v çalışmalarda sistemin birçok sosyal medya platformuna entegre ve daha kapsamlı olacak şekilde geliştirilmesi amaçlanmaktadır.

Kaynakça

  • .Net Core Framework,2019, https://www.microsoft.com/tr/download/details.aspx?id=17851 (Erişim Tarihi: 01.10.2019)
  • Albayrak, M., Topal, K., & Altıntaş, V. (2017). Sosyal Medya Üzerinde Veri Analizi: Twitter. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22, 1991-1998.
  • Dietterich, T. G. (1997). Machine-Learning Research. AI magazine, 18(4), 97-97.
  • Gok, B., & Fidan, U. (2019). Kurumsal İtibar Algısının Satın Alma Niyetine Etkisinin Karar Ağacı İle Haritalandırılması. Business & Economics Research Journal, 10(3).
  • Gurău Kibriya, A. M., Frank, E., Pfahringer, B., & Holmes, G. (2004, December). Multinomial naive bayes for text categorization revisited. In Australasian Joint Conference on Artificial Intelligence (pp. 488-499).
  • Hasan, A., Moin, S., Karim, A., & Shamshirband, S. (2018). Machine learning-based sentiment analysis for twitter accounts. Mathematical and Computational Applications, 23(1), 11.
  • Isah, H., Trundle, P., & Neagu, D. (2014, September). Social Media Analysis For Product Safety Using Text Mining And Sentiment Analysis. 14th UK Workshop On Computational Intelligence (UKCI) (pp. 1-7).
  • Kaul, A., Chaudhri, V., Cherian, D. (2015). Social Media: The New Mantra For Managing Reputation. Vikalpa, 40(4), 455-491.
  • Kim,Y., ,Jeong J.R., Dwivedi R., Zhang J. , (2016),"Competitive Intelligence in Social Media Twitter: iPhone 6 vs. Galaxy S5", Online Information Review, Vol. 40 Iss 1 pp.
  • Kruse, H., & Mukherjee, A. (1998, March). Preprocessing text to improve compression ratios. In Proceedings DCC'98 Data Compression Conference (Cat. No. 98TB100225) (pp. 556).
  • Leff, A., & Rayfield, J. T. (2001, September). Web-application development using the model/view/controller design pattern. In Proceedings Fifth İeee İnternational Enterprise Distributed Object Computing Conference (pp. 118-127).
  • Manaman, H. S., Jamali, S., & AleAhmad, A. (2016). Online reputation measurement of companies based on user-generated content in online social networks. Computers in Human Behavior, 54, (pp. 94-100).
  • Mostafa, M. M. (2013). More than words: Social networks’ text mining for consumer brand sentiments. Expert Systems with Applications, 40(10), 4241-4251.
  • Nalçakan, Y., Bayramoğlu, Ş. S., & Tuna, S. (2015). Sosyal Medya Verileri Üzerinde Yapay Öğrenme ile Duygu Analizi Çalışması. Technical Report.
  • Narudin, F. A., Feizollah, A., Anuar, N. B., & Gani, A. (2016). Evaluation of machine learning classifiers for mobile malware detection. Soft Computing, 20(1), 343-357.
  • Neethu, M. S., & Rajasree, R. (2013, July). Sentiment analysis in twitter using machine learning techniques. In 2013 Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT) (pp. 1-5). IEEE.
  • Powers, D. M. (2011). Evaluation: from Precision, Recall and F-Measure to ROC, Informedness, Markedness And Correlation.
  • Prihono, O. F., & Sari, P. K. (2019). Comparison Analysis Of Social Influence Marketing For Mobile Payment Using Support Vector Machine. Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, 4(4), 367-374.
  • Rodriguez, J. D., Perez, A., & Lozano, J. A. (2009). Sensitivity Analysis Of K-Fold Cross Validation In Prediction Error Estimation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 32(3), 569-575
  • Sasakawa, T., Hu, J., & Hirasawa, K. (2008). A Brainlike Learning System with Supervised, Unsupervised, and Reinforcement Learning. Electrical Engineering in Japan, 162(1), 32-39.
  • Spyder (2020) https://www.spyder-ide.org/ (Erişim Tarihi: 12.02.2020)
  • Şardağı, E. ve Bayçu, S. (2018). İtibar Oluşumunda Medyada Görünürlük: Bankalar Üzerine Bir Araştırma. Erciyes İletişim Dergisi. 5. 108-122.
  • Torkkola, K. (2004). Discriminative Features for Text Document Classification. Formal Pattern Analysis & Applications, 6(4), 301-308.
  • Twitter (2019) https://twitter.com/ (Erişim Tarihi: 20.11.2019)
  • Vidya, N. A., Fanany, M. I., & Budi, I. (2015). Twitter Sentiment To Analyze Net Brand Reputation of Mobile Phone Providers. Procedia Computer Science, 72, 519-526.
  • Yurtsever, M. ve Tecim, V. (2016). Mini Bilgisayarların Akıllı Kart Sistemleri İçin Tasarlanması ve Uygulanması: Üniversite Örneği. Yönetim Bilişim Sistemleri Dergisi. 2(1): 13-28.
Toplam 26 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Makaleler
Yazarlar

Bahar Şardağı Bozyiğit

Çiğdem Tarhan 0000-0002-5891-0635

Yayımlanma Tarihi 30 Aralık 2020
Yayımlandığı Sayı Yıl 2020 Cilt: 6 Sayı: 2

Kaynak Göster

APA Şardağı Bozyiğit, B., & Tarhan, Ç. (2020). MAKİNE ÖĞRENMESİ YÖNTEMLERİ KULLANILARAK SOSYAL MEDYADA MARKA İTİBAR ANALİZİ. Yönetim Bilişim Sistemleri Dergisi, 6(2), 57-76.
AMA Şardağı Bozyiğit B, Tarhan Ç. MAKİNE ÖĞRENMESİ YÖNTEMLERİ KULLANILARAK SOSYAL MEDYADA MARKA İTİBAR ANALİZİ. Yönetim Bilişim Sistemleri Dergisi. Aralık 2020;6(2):57-76.
Chicago Şardağı Bozyiğit, Bahar, ve Çiğdem Tarhan. “MAKİNE ÖĞRENMESİ YÖNTEMLERİ KULLANILARAK SOSYAL MEDYADA MARKA İTİBAR ANALİZİ”. Yönetim Bilişim Sistemleri Dergisi 6, sy. 2 (Aralık 2020): 57-76.
EndNote Şardağı Bozyiğit B, Tarhan Ç (01 Aralık 2020) MAKİNE ÖĞRENMESİ YÖNTEMLERİ KULLANILARAK SOSYAL MEDYADA MARKA İTİBAR ANALİZİ. Yönetim Bilişim Sistemleri Dergisi 6 2 57–76.
IEEE B. Şardağı Bozyiğit ve Ç. Tarhan, “MAKİNE ÖĞRENMESİ YÖNTEMLERİ KULLANILARAK SOSYAL MEDYADA MARKA İTİBAR ANALİZİ”, Yönetim Bilişim Sistemleri Dergisi, c. 6, sy. 2, ss. 57–76, 2020.
ISNAD Şardağı Bozyiğit, Bahar - Tarhan, Çiğdem. “MAKİNE ÖĞRENMESİ YÖNTEMLERİ KULLANILARAK SOSYAL MEDYADA MARKA İTİBAR ANALİZİ”. Yönetim Bilişim Sistemleri Dergisi 6/2 (Aralık 2020), 57-76.
JAMA Şardağı Bozyiğit B, Tarhan Ç. MAKİNE ÖĞRENMESİ YÖNTEMLERİ KULLANILARAK SOSYAL MEDYADA MARKA İTİBAR ANALİZİ. Yönetim Bilişim Sistemleri Dergisi. 2020;6:57–76.
MLA Şardağı Bozyiğit, Bahar ve Çiğdem Tarhan. “MAKİNE ÖĞRENMESİ YÖNTEMLERİ KULLANILARAK SOSYAL MEDYADA MARKA İTİBAR ANALİZİ”. Yönetim Bilişim Sistemleri Dergisi, c. 6, sy. 2, 2020, ss. 57-76.
Vancouver Şardağı Bozyiğit B, Tarhan Ç. MAKİNE ÖĞRENMESİ YÖNTEMLERİ KULLANILARAK SOSYAL MEDYADA MARKA İTİBAR ANALİZİ. Yönetim Bilişim Sistemleri Dergisi. 2020;6(2):57-76.