Duygu Analizi

Bir e-ticaret sitesine günde binlerce ürün yorumu gelir; bunların kaç tanesinin memnun, kaç tanesinin memnuniyetsiz müşteriden geldiğini elle okumak imkânsızdır. Duygu analizi tam bu noktada devreye girer ve metinlerin arkasındaki duyguyu makinelerin otomatik okumasını sağlar. Bu derste duygu analizinin ne olduğunu, nasıl çalıştığını, türlerini, zorluklarını ve sık yapılan hataları örneklerle işliyoruz; konunun çerçevesi için NLP nedir? dersimize, tüm seri için Yapay Zekâ dersleri sayfamıza göz atabilirsin.

Duygu Analizi Nedir?

Duygu analizi (sentiment analysis), bir metinde ifade edilen öznel tutumu — en yaygın biçimiyle olumlu, olumsuz veya nötr olduğunu — otomatik olarak belirleme işlemidir. “Fikir madenciliği” (opinion mining) adıyla da bilinir. Birkaç örneğe bakalım:

• “Kulaklığın sesi beklediğimin ötesinde, kesinlikle almalısınız.” → olumlu
• “İki haftada bozuldu, parasını hak etmiyor.” → olumsuz
• “Sipariş üç gün içinde ulaştı.” → nötr

Teknik açıdan duygu analizi bir sınıflandırma problemidir: girdi bir metin, çıktı bir etiket. Bu nedenle Metin sınıflandırma dersinde anlattığımız yöntemlerin en yaygın uygulaması olarak kabul edilir.

Duygu Analizi Nasıl Çalışır?

En basitinden en modernine tüm duygu analizi sistemleri büyük ölçüde aynı hattı izler:

1. Ön işleme: Gereksiz işaretler ayıklanır, yazımdaki tutarsızlıklar giderilir.
2. Parçalama: Metin kelime ya da alt kelime birimlerine bölünür; bu birimlere token adı verilir.
3. Temsil: Her token, anlamını taşıyan sayısal vektörlere dönüştürülür; bu tekniğin ayrıntısı Embedding nedir? dersimizdedir.
4. Karar: Model vektörlere bakarak bir duygu etiketi üretir.

Son adımdaki karar aşaması, tarihsel olarak üç kuşak yaklaşım geliştirmiştir:

Sözlük (kural) tabanlı yöntemler

Önceden hazırlanmış bir duygu sözlüğü kullanılır: “harika” +1, “kötü” −1, “berbat” −2 gibi puanlar cümle boyunca toplanır. Etiketli veri gerektirmez, hızlıdır ve davranışı açıklaması kolaydır. Zayıf yanı bağlamı görememesidir: “Kamera harika değil” cümlesinde “harika” sözcüğü artı katkı yapar, oysa cümle tümüyle olumsuzdur.

Klasik makine öğrenmesi

Binlerce örnek yorum ve doğru etiketiyle eğitilen Naive Bayes, lojistik regresyon veya SVM gibi algoritmalar kullanılır. Sözlük yaklaşımından daha esnek ve isabetlidir; ancak yeterli sayıda, iyi nitelikli etiketli veri ister ve alan değiştiğinde yeniden eğitilmelidir.

Derin öğrenme ve büyük dil modelleri

Günümüzde (2024–2025 itibarıyla) en yaygın tercih, BERT gibi transformer mimarili modellerin alan verisiyle ince ayarlanması (fine-tuning) ya da daha pratik olarak LLM nedir? dersinde tanıttığımız büyük dil modellerinin yönlendirilmesidir. Modele görevi bir prompt ile anlattığınızda, hiç örnek görmeden (zero-shot) ya da birkaç örnekten (few-shot) duygu tahmini yapabilir; bu da etiketli veri toplama emeğini çoğu durumda ortadan kaldırır.

Duygu Analizi Türleri: Çözümleme Düzeyleri

Duygunun metnin hangi büyüklüğünde ölçüleceğine göre üç tür duygu analizinden söz edilir:

• Belge düzeyi: Tüm metne tek etiket verilir; uzun bir incelemenin genel havasını yakalar, karışık yorumlarda kaba kalır.
• Cümle düzeyi: Her cümle ayrı ayrı etiketlenir; övgü ile şikâyetin iç içe geçtiği yorumlarda daha isabetlidir.
• Özellik tabanlı (aspect-based): Duygunun neye yönelik olduğunu da bulur: “Kamera harika ama pil kötü” örneğinde kameranın duygusu olumlu, pilin duygusu olumsuz çıkarılır. Ürün ekiplerinin “neyi düzeltmeliyiz?” sorusuna veriye dayalı yanıt vermesini sağladığı için en değerli türdür.

Duygu Analizinde Zorluklar

İnsan için bile kolay olmayan anlatımlar, modelleri de sıkıştırır:

• İroni ve alay: “Üç günde bozulan telefon, unutulmaz bir deneyimdi!” Kelimeler olumlu, anlam tam tersidir.
• Olumsuzluk yapıları: “Fena değil” iki olumsuz izlenim taşıyan bir ifadedir ama anlamı olumludur; “hiç de kötü değil” benzer biçimde yanlış etiketlenir.
• Alan (domain) etkisi: “Uzun pil ömrü” telefon yorumunda övgüyken, “uzun bekleme süresi” kargo yorumunda şikâyettir; aynı sözcük alana göre yön değiştirir.
• Kısa ve bağlamsız anlatım: Sosyal medyadaki “Of, yine mi 😩” gibi bir paylaşım, ek bağlam olmadan belirsizdir.
• Karışık duygular: Tek metinde övgü ve şikâyet bir aradaysa tek etikete sıkıştırmak bilgi kaybettirir; çözüm genellikle özellik tabanlı analizdir.

Sık Yapılan Hatalar ve Yanılgılar

1. “Duygu analizi yalnızca olumlu–olumsuz demektir” sanılır. Nötr sınıfı ve mutluluk, öfke, hayal kırıklığı gibi ince duygu etiketleri de mümkündür; ince duygu çözümlemesi (emotion detection) ayrı bir çalışma alanıdır.
2. Sözlük yönteminin bağlamı yakaladığı varsayılır. Kelime puanlarını toplamak olumsuzluk eklerini ve ironiyi kaçırır; en klasik hata budur.
3. Bir alanda eğitilen modelin her yerde çalışacağı düşünülür. E-ticaret yorumlarıyla eğitilen model, film eleştirilerinde belirgin biçimde zayıflar; modele yabancı alan verisiyle test etmeden güvenilmez.
4. “LLM kullandım, ölçmeye gerek yok” denilir. Modern modeller güçlüdür ama ironi ve alan terimlerinde hâlâ hata yapar; iyileşme ancak etiketli bir test kümesiyle ölçülebilir.
5. Etiket kalitesi göz ardı edilir. İki kişi aynı yoruma farklı etiket veriyorsa model de tutarlı öğrenemez; önce etiketleme kılavuzu tutarlılaştırılır.

Duygu Analizi Nerelerde Kullanılır?

• E-ticaret: Ürün yorumlarının otomatik etiketlenmesi ve özellik tabanlı özet çıkarımı.
• Marka ve itibar takibi: Sosyal medyada markaya bakışın duygusal eğilimini ve kriz sinyallerini izleme.
• Müşteri hizmetleri: Öfkeli mesajların öne alınması; Chatbotlar nasıl çalışır? dersinde anlattığımız destek asistanlarının yanıt tonunu buna göre ayarlaması.
• Finans: Haber başlıkları ve sosyal medya akışından piyasa duyarlılığı ölçme çalışmaları.
• Eğitim ve sağlık: Öğrenci geri bildirimlerinin ve hasta yorumlarının sistematik analizi.

2024–2025 döneminde yaygınlaşan desen, duygu analizini metin özetleme ile birleştirmektir: binlerce yorum önce parçalara ayrılıp etiketlenir, ardından model bu çıktıyı “genel eğilim olumlu; şikâyetlerin odağı kargo süreci” biçiminde özetler. Ayrıca dil modeli ile üretilen metinler artık analiz edilen içeriğin de kaynağı olduğundan, yapay içerik ile gerçek kullanıcı deneyimini ayırt etme sorunu duygu analizinin gündemine girmiştir.