=Paper=
{{Paper
|id=Vol-1483/81_Bildiri
|storemode=property
|title=Mikro Bloglardaki Finans Toplulukları için Kullanıcı Ağırlıklandırılmış Duygu Analizi Yöntemi
|pdfUrl=https://ceur-ws.org/Vol-1483/81_Bildiri.pdf
|volume=Vol-1483
|dblpUrl=https://dblp.org/rec/conf/uyms/EliacikE15
}}
==Mikro Bloglardaki Finans Toplulukları için Kullanıcı Ağırlıklandırılmış Duygu Analizi Yöntemi==
https://ceur-ws.org/Vol-1483/81_Bildiri.pdf
Mikro Bloglardaki Finans Toplulukları için Kullanıcı
Ağırlıklandırılmış Duygu Analizi Yöntemi
Alpaslan Burak Eliaçık1, Nadia Erdoğan1
1
Bilgisayar Mühendisliği Bölümü, İstanbul Teknik Üniversitesi,
İstanbul
{aeliacik, nerdogan}@itu.edu.tr
Özet. Duygu analizi bilgisayar bilimlerinde ele alınan popüler bir araştırma
alanıdır. Duygu analizi, bireyler tarafından oluşturulan metinsel dokümanlardan
yararlanarak bireylerin veya toplulukların bir konu ile ilgili tutumlarını
belirlemeyi amaçlamaktadır. Günümüzde sosyal mikro blog servislerinin
yaygınlaşmasıyla, fikir beyan eden metin sayısında artış gözlenmektedir.
Finans, ekonomi, politika gibi farklı sosyolojik alanlarda toplumun eğilimini
analiz etmek için gerçekleştirilen duygu analizi çalışmalarında bu kamusal
bilgiye sıklıkla başvurulmaktadır. Bu bağlamda bu çalışmada, mikro blog
servisleri üzerinde analiz yapmak için yeni kullanıcı metriklerini kullanan
özgün bir duygu analizi yöntemi önerilmektedir. Önerilen yöntem, mikro
bloglardaki finans topluluklarının duygu polaritesi ölçümünde kullanılmaktadır.
Ayrıca bu çalışmada hesaplanan finans topluluğuna ait duygu polarite değerleri
ile Borsa İstanbul 100 endeks hareketleri arasında haftalık bazda korelasyon
analizi yapılmaktadır. Aradaki bağdaşıklık oranı Pearson korelasyon katsayı
yöntemi ile hesaplanmaktadır. Deneysel çalışmalar sonucunda önerilen duygu
analizi yönteminin, borsa hareketleri ve mikro bloglardaki finans topluluklarına
ait duygu polariteleri arasındaki bağdaşıklık oranını önceki duygu analizi
yöntemlerine göre daha hassas hesapladığı görülmektedir.
Anahtar Kelimeler. Duygu Analizi, Sosyal Ağ Analizi, Mikro Blog, Borsa.
Abstract. Nowadays, sentiment analysis is a popular research area in computer
science. which aims to determine a person’s or a group’s mood, behaviour and
opinion about any topic with using textual documents. With the proliferation of
social micro-blogging sites, digital opinion text data is increased. Thus, many
sentiment analysis researches are performed on these public data in different
sociological fields, such as finance, economy and politics. In this paper, a novel
sentiment analysis method is proposed on micro-blogging sites which uses new
user metrics. Proposed method is used to measure financial community’s
sentiment polarity on micro-blogging sites. In addition to that we analyze the
correlation between the mood of financial community and the behavior of the
Borsa Istanbul 100 index weekly by Pearson correlation coefficient method.
Our test results show that this novel sentiment analysis method improves to the
accuracy of linear relationship between the behavior of the stock market and the
sentiment polarity of the financial community.
782
1 Giriş
Günümüzde, insanların iletişim ihtiyaçlarını pratik bir şekilde karşılayan mikro blog
servisleri çok hızlı bir şekilde yaygınlaşmaktadır. Mikro blog servisleri sayesinde
günlük olan olaylar ve haberler kamusal alanda hızlı bir şekilde yayılmaktadır. Bu
imkândan yararlanmak isteyen bireyler ilgi duydukları alanlar ile alakalı bilgiye
erişebilmek için birbirlerini mikro blog servisleri aracılığı ile takip etmektedir. Bu
şekilde oluşan topluluklar sayesinde konu ile ilgili bilgi, topluluklar içerisinde hızlıca
yayılmaktadır ve topluluğa üye olan kullanıcılara etkili bir şekilde tesir etmektedir.
Duygu analizi, bilişimsel dilbilimi ve veri madenciliği içerisinde yer alan bir alt
disiplindir. Duygu analizinin ana amacı kişilerin ruh halini, davranışlarını ve
fikirlerini metinsel dokümanlardan keşfetmektir. Mikro blog servislerinin artmasıyla,
bu servislere ait kamusal veriler; politika, ekonomi ve finans gibi farklı sosyolojik
alanları hedef alan duygu analizi çalışmalarında kullanılmaktadırlar.
Günümüzde, mikro blog servisleri üzerinden günlük çok sayıda finans haberi
paylaşılmaktadır. Haberler mikro blog servisi üzerinden gönderildiği için piyasa
hakkında önemli bilgiler içermektedir. Bu servisler sayesinde yatırımcılar finans ile
alakalı önemli bilgilerden hızlıca haberdar olup bilgiler dâhilinde yatırım kararı
almaktadır. Alınan yatırım kararları ile finansal piyasaların davranışı etkilenmektedir.
Bu bağlamda bu iletiler üzerinde yapılan duygu analizi araştırmaları sayesinde
finansal piyasaların davranışları analiz edilebilmektedir. Literatür incelendiğinde,
araştırmacılar finansal piyasaların davranışını incelemek için birçok duygu analizi
çalışması gerçekleştirmişlerdir [1], [3], [4], [11], [12], [13], [14].
BIST 100, Türkiye merkezli en iyi 100 kamuya açık şirketi içeren ve standart işlem
seansında bu şirketlere ait hisse senetlerinin alınıp satıldığı bir borsa endeksidir. Bu
çalışmada BIST 100 endeksinin hareketleri ile klasik duygu analizi yöntemi
kullanılarak elde edilen Türk finans topluluğunun duygu polaritesi arasında doğrusal
bir korelasyon olduğu görülmektedir. Daha sonra klasik duygu analizi yöntemine ek
olarak önerilen özgün kullanıcı metrikleri ile birlikte topluluğa ait hesaplanan duygu
polaritesinin, klasik yöntemlere nazaran BIST 100 endeksinin hareketleri ile daha
doğrusal bir korelasyona sahip olduğu gösterilmektedir. Finans alanında
gerçekleştirilen önceki duygu analizi yöntemlerinde topluluğun duygu polaritesi
hesaplanırken, mikro blog kullanıcılarının ait olduğu topluluğa olan etkisi göz ardı
edilerek sadece kısa ileti içeriklerine odaklanılmaktadır. Önceki çalışmalardan farklı
olarak, bu çalışmada kullanıcıların topluluğa olan etkilerini hesaplamaya dâhil eden
yeni bir duygu analizi yöntemi önerilmektedir. Her kullanıcı için bir "güven” değeri
hesaplanmaktadır ve gönderilerine bu güven değeri ile orantılı bir katsayı değeri
atanmaktadır. Kullanıcının, finans alanındaki uzmanlığı ve ait olduğu topluluktaki
inandırıcılığı onun güven değerini oluşturmaktadır.
Bildirinin geri kalan bölümleri şöyle sıralanmaktadır: Bölüm 2’de finans alanında
gerçekleştirilen duygu analizi yöntemleri ele alınmaktadır. Bölüm 3’te önerilen
çalışma detaylı olarak açıklanmaktadır. Bölüm 4’te çalışma kapsamında toplanan veri
kümesi ve yapılan deneysel çalışmaların sonuçları vurgulanmaktadır. Son bölümde
ise çalışma, çıkan sonuçlar ışığında sonuca bağlanmaktadır.
783
2 Finans Alanındaki Mevcut Duygu Analizi Çalışmaları
Liu [7], insana ait görüşlerin hemen hemen tüm insani faaliyetlerin merkezinde yer
aldığını belirtmektedir. Bu nedenle, birey bir konu hakkında karar alacağı zaman
başkalarının o durum hakkındaki görüşlerini öğrenmek istemektedir. Bu bağlamda
finansal piyasalarda, başkalarının düşünceleri çok önemlidir, çünkü finansal
enstrümanların fiyatlarını finansal topluluktaki bireylerin görüşleri belirlemektedir.
Duygu analizinin temel motivasyonu diğer insanların düşüncelerini ortaya
çıkarmaktır [8]. Literatürde, finansal piyasalar üzerinde mikro blog verilerini
kullanılarak gerçekleştirilen birçok duygu analizi araştırması gerçekleştirilmiştir.
Bollen ve ark [4] Twitter servisi kullanıcılarına ait duygu polaritelerinin borsa
davranışlarını tahmin etmekte kullanışlı olup olmadığını araştırmışlardır. Bir diğer
çalışmada Rao ve Srivastava [11] çalışmalarında finansal market enstrümanları ile
Twitter servisi kısa iletileri arasındaki ilişkiyi incelemişlerdir. Sprenger ve ark. [14]
ise çalışmalarında finansal piyasalar ile birden fazla mikro blog servisi arasındaki
ilişkiyi araştırmışlardır. Diğer bir önemli araştırmada Si ve ark. [12] Twitter servisi
verilerini kullanarak borsa hareketlerini tahmin eden konu tabanlı bir duygu analizi
yöntemi önermişlerdir. Smailović ve ark. [13] ise çalışmalarında hisse senedi
piyasalarında kısa ileti tabanlı duygu analizi için akış tabanlı aktif öğrenme
gerçekleştiren yeni bir yöntem önermişlerdir. Bir diğer duygu analizi araştırmasında
Bing ve ark. [3] sosyal medyada duygu analizi kullanarak belirli şirketlerin borsada
işlem gören hisse senedi fiyatlarını tahmin etmek istemişlerdir.
Finansal alanda yapılan duygu analizi çalışmaları artmasına rağmen, bu çalışmalar
tanımlanmış bir sosyal ağın duygu polaritesini analiz etmek için sadece mikro blog
servislerinden gönderilen kısa iletilere ait metinsel içerikleri göz önünde
bulundurmaktadırlar. Böyle bir yaklaşımın tanımlanmış sosyal ağa ait duygu
polaritesinin belirlenmesinde yetersiz olduğu varsayılmaktadır. Liu'dan esinlenerek bu
çalışmada önerilen temel fikir, herhangi bir topluluğun gerçeğe yakın duygu
polaritesini bulabilmek için kullanıcıların topluluk içerisindeki güven değerleri
dikkate alınmalıdır. Bu nedenle bu çalışmada, mikro blog servisleri üzerinde analiz
yapmak için yeni tanımlanan kullanıcı metrikleri kullanan özgün bir duygu analizi
yöntemi önerilmektedir.
3 Yöntem
3.1 Veri Temizleme ve Dönüşümü
Finansal Sosyal Topluluk Paylaşımları. Toplanan Twitter servisi verisi duygu
analizi için hazır değildir. Çalışmanın kapsamı doğrultusunda ilk önce Türkçe
olmayan iletiler veri kümesinden çıkartılmaktadır. Bu adımdan sonra veriyi duygu
analizi için daha anlamlı bir hale getirmek için bazı doğal dil işleme teknikleri
uygulanmaktadır. Bu teknikler adım adım kısaca aşağıda ifade edilmektedir;
784
Cümleleri Ayrıştırmak. Ana doğal dil işleme adımıdır. Bu adımda girdi olarak alınan
cümleler, kelimelere ve anlamlı ifadelere ayrıştırılmaktadır. Normal Türkçe metin
ayrıştırma işlemlerine ek olarak mikro blog iletileri ayrıştırılırken bazı hususlar
dikkate alınmalıdır. Bunlar; his simgeleri (":D", ":x", ":)"), Twitter işaret dili ("@",
"#"), büyük harfle ve tekrarlı yazım ("HAYIR", "lüüütttfeeenn").
Gövdeleme. Doğal dil işlemede önemli bir adımdır. Gövdeleme işlemenin ana görevi
kelimenin çekim eklerini temizlemektedir. Böylece duygu analizi yönteminin başarı
oranı artmaktadır. Sadece çekim eklerini temizlediği için kelime anlam kaybına
uğramamaktadır.
Finansal Sosyal Topluluk Ağ Bilgisi. Çalışmada kullanılan finansal sosyal topluluk,
Türkiye'de yayın yapan bir ekonomi kanalının sunucuları ve bu sunucuların ortak
arkadaşlarından oluşmaktadır. Bu çalışmanın amacı, finansal sosyal topluluğun
Türkçe kısa iletileri üzerinde özgün bir duygu analizi yöntemi uygulamaktır. Bu
yüzden elde edilen veri kümesi içerisindeki kişilerin paylaşımlarına bakılarak Türkçe
kelime paylaşımı %50'den düşük olan kişiler bu topluluktan çıkartılmaktadır. Bir
kelimenin Türkçe olup olmadığını anlamak için güncel Türk Dil Kurumu [15] sözlüğü
kullanılmaktadır. Bu veri hazırlama adımı dışında daha güvenilir sonuçlar elde
edebilmek için tanımlanan topluluk içerisinde 3 haftadan az kalan kişiler topluluktan
çıkartılmaktadır. Topluluk verisinin üzerinde yapılan temizleme adımlarından sonra
üyelerin topluluk içerisindeki kronolojik yaşam sürelerini içeren zaman çizelgeleri
elde edilmektedir.
3.2 Özellik Çıkarma ve Seçme
Duygu analizi yaklaşımı temelde bir sınıflandırma problemidir. Bu nedenle, veri
kümesi üzerinde duygu analizi gerçekleştirmek için öncelikle metin özellikleri
çıkartılmalıdır. Daha sonra bu özellikler içerisinden belirlenen kriterler doğrultusunda
uygun olan metin özellikleri seçilmelidir. Bu özellikler daha çok terimlerin varlığı
veya sıklığı şeklinde durumlar hakkında görüş belirten kelimelerden oluşmaktadır.
Özellik çıkarma işlemi dokümanlara bir kelime kümesi şeklinde davranarak n-grams
(unigram, bigram, trigram) yaklaşımı uygulamaktadır. Uygun n-grams tekniği veri
kümelerinin karmaşıklık derecesine göre belirlenmektedir.
Literatürde özellik seçimi için istatiksel yöntemler kullanılmaktadırlar. Bu
yöntemlerden bazıları Point-wise Mutual Information [20], Chi-square [2] ve Latent
Semantic Index [5] yaklaşımlarıdır. Point-wise Mutual Information (PMI) yöntemi
özellikler ve sınıflar arasındaki ilişkiyi bulan temel bir yaklaşım sunmaktadır. Sınıf c
ve kelime a arasındaki birlikte gözlemlenebilirlik Pc(w), sınıf c ve kelime a arasındaki
bağımsızlık Pc ile tanımlanmaktadır(denklem 1).
𝑃 (𝑤)
Vc(w) = log( c ) (1)
𝑃𝑐
Bu çalışmada, özellik çıkartmak için unigram ve bigram özellik temsilleri
birleştirilmektedir. Özellik seçmek için ise PMI yöntemi kullanılmaktadır.
785
3.3 Duygu Sınıflandırması
Duygu sınıflandırması yöntemi iki ana dala ayrılmaktadır; makine öğrenmesi tabanlı
yaklaşım ve sözlük tabanlı yaklaşım. Makine öğrenme tabanlı yaklaşım sınıflandırma
sırasında makine öğrenme algoritmalarını ve dilbilimsel özellikleri kullanmaktadır.
Sözlük tabanlı yaklaşım ise sınıflandırma sırasında önceden hazırlanmış duygu
kavramlarından oluşan sözlüklerden yararlanmaktadır. Bazı çalışmalarda ise bu iki
yönelimin melez bir yaklaşımı kullanılmaktadır.
Literatürde, duygu analizi için bazı makina öğrenmesi tabanlı sınıflandırma
yöntemleri önerilmektedir. Ancak, duygu analizi için hangi yöntemin daha uygun
olduğu tam olarak açık değildir [6]. Destek Vektör Makinası (DVM) yöntemi duygu
analizi için kullanılan yöntemlerden biridir [9], [10]. Çalışmada DVM yöntemi duygu
sınıflandırmasının karar mekanizmasında kullanılmaktadır. Çünkü DVM'ın
performansı diğer duygu analizi çalışmalarına benzer değerlere sahiptir ve ayrıca
DVM metin madenciliği yaklaşımları için ideal bir çözüm sunmaktadır [9], [10].
3.4 Önerilen Duygu Analizi Yöntemi
Duygu analizinin amacı verilen metinin polaritesini sınıflandırmaktır. Mikro blog
perspektifinde, duygu analizi sınıflandırması için kullanıcılarının kısa metin
şeklindeki görüşleri kullanılmaktadır. Liu [7] çalışmasında görüşü beşli şekilde
tanımlamaktadır (denklem 2). Bu denklemde e görüşü ifade edilen kavramı, a ise bu
kavrama ait bir özelliği nitelemektedir. s hedef (e,a) için düşünülen duygu değerini, h
görüşü ifade eden bireyi ve t ise ifadenin edildiği zamanı belirtmektedir.
Opinion(e, a, s, h, t) (2)
Liu bir görüşün açık bir şekilde ifade edilebilmesi için bu beş parametrenin gerekli
olduğunu belirtmektedir. Bu nedenle, başarılı bir duygu analizi gerçekleştirilebilmesi
için bu beş kavramın görüş için kullanılması gerekmektedir.
Literatürde, finansal piyasalar ve sosyal ağların duygu polaritesi arasındaki
korelasyonu bulmayı hedefleyen birçok çalışma gerçekleştirilmiştir. Bu çalışmaların
birçoğu [1], [3], [4], [11], [12], [13], [14] sadece sosyal medya aracılığı ile paylaşılan
zaman damgasına sahip metinsel içeriği kullanarak sosyal ağın duygu polaritesine
karar vermektedir. Metinsel içerik duygu polaritesini hesaplamak için, zaman değeri
ise finansal enstrümanlar arasındaki korelasyonu bulmak için kullanılmaktadır.
Araştırmacılar çalışmalarında sadece duygu (s), onun hedef aldığı kavramı (e,a) ve
zaman değerini (t) göz önünde bulundurmaktadırlar. Görüş sahibi birey (h) duygu
polaritesinin hesaplanmasında sağlıklı bir şekilde ele alınmamaktadır.
Bu bağlamda bu çalışma, bir konu üzerinde belirtilen görüşün sahip olduğu polarite
değerinin, görüş sahibinin ait olduğu topluluğun ona duyduğu güven doğrultusunda
değişeceğini iddia etmektedir. Bu iddia doğrultusunda toplulukların duygu polaritesini
ölçümleyebilmek için görüş sahiplerini hesaplamaya dâhil eden özgün bir duygu
analiz yaklaşımı önerilmektedir. Bu amaçla, mikro blog kullanıcıları için iki tane
metrik tanımlanmaktadır. Bu metriklerin tanımlanma amacı kullanıcıların sosyal
ağlardaki önemini ölçmek içindir. Bu metrikler; Üyelik Derecesi (üd) ve İlgi Derecesi
786
(id) olarak adlandırılmaktadır. Üyelik Derecesi kullanıcının grup içerisindeki
inandırıcılığını ölçmektedir. İlgi Derecesi ise kullanıcının bir konu ile alakalı ilgi
derecesini ölçmektedir.
Üyelik Derecesi. Bu çalışmada konu tabanlı mikro blog kullanıcılarının oluşturduğu
sosyal ağ bir yönsüz çizelge olarak ifade edilmektedir (U,L). Bu ifadede mikro blog
kullanıcıları kümesi U ve bu kullanıcılar arasındaki arkadaşlık ilişkisi kümesi L olarak
gösterilmektedir. Arkadaşlık ilişkisi l birbirini takip eden iki mikro blog kullanıcısı
arasındaki ilişkiyi belirtmektedir. Bunlara ek olarak, H çalışma için belirlenen
ekonomi kanalı sunucularının oluşturduğu kümeyi ve F ise çalışmada önerilen
finansal ilgiye sahip kullanıcıların oluşturduğu sosyal ağı nitelemektedir. Bir mikro
blog kullanıcısı olan x, F kümesine katılabilmesi için H kümesine ait iki kullanıcı h1
ve h2 ile arasında l1 ve l2 arkadaşlık ilişkisi olması gerekmektedir. Önerilen finansal
sosyal ağa katılım tanımı denklem 3 ve 4'te ifade edilmektedir.
∀x∈U, h1,h2∈H, l1,l2∈L; (3)
∀x{l1={(x,h1)=(h1,x)} ∧ l2={(x,h2)=(h2,x)}→ x∈F} (4)
Bir kullanıcının gruba katılma zamanı tbm ile gruptan ayrılma zamanı tlm arasında
geçen üyelik süresini tm olarak tanımlanmaktadır. Ayrıca bütün sosyal ağa ait üyelerin
ortalama üyelik süresini tm_ort ile ifade edilmektedir. Üyelik Derecesi (üd),
kullanıcının üyelik süresinin tm, ait olduğu sosyal ağın üyelik süresi ortalamasına tm_ort
oranıdır. Bu tanımlar denklem 5, 6 ve 7’de gösterilmektedir. Çalışmada kullanıcının
üye kalma süresi ile kullanıcının inandırıcılığı doğru orantılı düşünülmektedir. Bu
nedenle üyelik zamanı uzun olan kullanıcıların görüşleri daha güvenilir bir kaynak
olarak ele alınmaktadır.
tm = tbm – tlm (5)
|𝐹|
∑𝑖=1 𝑡𝑚
𝑖
tm_ort = (6)
|𝐹|
𝑡𝑚
üd = (7)
𝑡𝑚_𝑜𝑟𝑡
İlgi Derecesi. Finans literatüründe, finans ile ilgili isim tamlamaları, kelimeler ve
kısaltmalardan oluşan finans sözlükleri araştırmalarda kullanılmaktadır. Bu
çalışmada, akademik çalışmalarda kullanılmış Türkçe finans sözlüklerinin
birleştirilmesinden oluşan FW olarak ifade edilen bir sözlük kullanılmaktadır. Bu
sözlük 1953 tane finans ile alakalı terim içermektedir, FW={w1, w2, w3, w4…}.
Birleştirilen finans sözlüğü mikro blog kullanıcılarının ne kadar finans ile ilgili
paylaşım yaptığını belirlemek için kullanılmaktadır.
İlgi Derecesi (id) bir kullanıcının ne kadar finans ile alakalı paylaşım yaptığını
göstererek aslında o kullanıcının konu hakkındaki uzmanlık derecesi hakkında ipucu
vermektedir. İlgi derecesini hesaplarken ilk önce kullanıcının mikro blog iletileri
kelime kümesine dönüştürülmektedir; UTW = {w1, w2, w3, w4....}. Daha sonra hem
787
FW kümesinin hem de UTW kümesinin üyesi olan elemanlar için UFW kümesi
oluşturulmaktadır. Kesişim kümesi, kullanıcıların kullandığı finans ile alakalı
kelimeleri içermektedir, UFW = {w1, w2, w3, w4…}. Kümeler arasındaki ilişki
denklem 8’de gösterilmektedir.
∀x{x∈FW, x∈UTW; → x∈UFW}, FW ∩ UTW = UFW (8)
Bir kullanıcının tanımlanan finansal kelime kullanma yüzdesi ilgi değeri iv olarak
tanımlanmaktadır. Ayrıca bütün F sosyal ağına ait kullanıcıların ortalama ilgi değeri
ivort olarak ifade edilmektedir. İlgi Derecesi (id), kullanıcının ilgi değerinin iv ait
olduğu sosyal ağın ortalama ilgi değerine ivort oranıdır. Bu tanımlar denklem 9, 10 ve
11’de gösterilmektedir
|𝑈𝐹𝑊|
iv = (9)
|𝑈𝑇𝑊|
|𝐹|
∑𝑘=1 𝑖𝑣𝑘
ivort = (10)
|𝐹|
𝑖𝑣
id = (11)
𝑖𝑣𝑜𝑟𝑡
Önerilen özgün duygu analizi yönteminde, her kullanıcı için finansal alan ile ilgili
duygu polaritesi ölçümünün başarımını artırmak için üd ve id olarak adlandırılan iki
metriğin belirlenmesi gerekmektedir.
Önceki finans alanı üzerinde yapılan duygu analizi çalışmalarında, topluluğun
duygu polaritesi hesaplanırken kullanıcıların o konuya olan ilgi seviyesi ve grup
içindeki inandırıcılık seviyesi göz önünde bulundurulmamaktadır. Araştırmacılar
sadece mikro blog içeriğini hesaplamaya dâhil etmektedirler. Bir başka ifadeyle
aslında araştırmacılar gerçekleştirilen çalışmalarında kullanıcı kavramının yani kısa
ileti sahibinin katsayı değerini 1 almaktadırlar. Önceki çalışmalarda toplulukların
duygu polaritesini (tdp) hesaplamak için kullanılan yöntem denklem 12’de
gösterilmektedir. SP kümesi her kısa ileti için duygu polaritesini içeren küme olarak
ifade edilmektedir, SP={sp1, sp2, sp3, sp4.....}.
|𝑆𝑃| |𝑆𝑃|
∑𝑖=1 𝑠𝑝𝑖 ∑𝑖=1 𝑠𝑝𝑖 ∗1
tdp = = (12)
|𝑆𝑃| |𝑆𝑃|
Bu çalışmada, bir kullanıcının bir konu üzerindeki alaka düzeyinin ve dâhil olduğu
gruptaki inandırıcılık düzeyinin duygu analizindeki değerlendirme sürecine dâhil
edilmesi gerektiği iddia edilmektedir. Yukarıda tanımlanan metrikler sayesinde,
topluluğun duygu polaritesi hesaplamasında her bir kullanıcı için üd ve id değerleri
eklenerek klasik duygu polaritesi hesaplama yaklaşımları geliştirilmektedir. Denklem
12’de ifade edilen hesaplama yöntemi her kısa ileti için kısa ileti sahibinin üdks ve idks
değerleri eklenerek denklem 13’deki ifadeye dönüştürülmektedir. Önerilen
yaklaşımdaki adımlar blok diyagram olarak Şekil 1’de tasvir edilmektedir.
|𝑆𝑃|
∑𝑖=1 𝑠𝑝𝑖 ∗ü𝑑𝑘𝑠 ∗𝑖𝑑𝑘𝑠
tdp = (13)
|𝑆𝑃|
788
Şekil 1. Önerilen Duygu Analizi Yöntemi
4 Deneysel Çalışma
Önerilen yöntemi değerlendirmek için, yukarıda tanımlanan kullanıcı metriklerini
kullanan özgün bir duygu analizi uygulaması geliştirilmiştir. Uygulamada
kullanılacak modeli oluşturabilmek için Twitter4j kütüphanesi [17] yardımıyla Türkçe
kısa iletiler Twitter servisinden elde edilmiştir. Elde edilen kısa iletiler, finans
konusunda uzman üç kişi tarafından etiketlenmiştir. Etiketlenen kısa iletinin
çalışmaya dâhil edilebilmesi için üç kişinin onayı alınmıştır. Eğer bu üç kişi aynı kısa
ileti için finans ile alakalı olduğu ve aynı polariteye sahip olduğu ortak kararını
vermiş ise o kısa ileti çalışmada kullanılmıştır. Bu etiketleme yöntemi ile 1501 negatif
kısa ileti ile 907 pozitif kısa ileti içeren bir Türkçe veri kümesi oluşturulmuştur.
Özellikleri çıkartmak için unigram ve bigram özellik temsilleri birleştirilmiştir.
Özellik seçmek için ise PMI yöntemi kullanılmıştır. Özellik çıkarma ve seçme
işlemlerinden sonra 35,030 özellikten oluşan özellik kümesi elde edilmiştir. Bu
çalışmada, Destek Vektör Makinası tabanlı bir duygu sınıflandırma yöntemi
seçilmiştir. Etiketlenmiş veri kümesinin sınıflandırma performansı artırmak için 10-
katlamalı çapraz doğrulama yöntemi kullanılmıştır. Yöntem sonucunda elde edilen
duygu sınıflandırma modelinin başarım oranı %73,63’dir.
Çalışmada kullanılan veri Twitter servisinden elde edilmiştir. Twitter sosyal ağı
içerisindeki finans ile alakalı bireyleri keşfedilmek için bir yaklaşım belirlenmiştir. İlk
olarak, Türkiye’de yayın yapan bir ekonomi kanalının spikerleri belirlenmiştir. Sonra
789
bu belirlenen spikerler ile çift yönlü izleme ilişkisine sahip bireyler belirlenmiştir. Bu
belirlenen grup içerisinde eğer iki spiker aynı kişi ile çift yönlü izleme ilişkisine
sahipse, bu bireyin de finans ile ilgili olduğu varsayılmıştır. Bu öngörülü yaklaşım
sayesinde finans hakkında konuşan bir sosyal ağ topluluğu oluşturulmuştur.
Algoritma 1 finans topluluğu oluşturmak için kullanılan yöntemin çalışma adımlarını
göstermektedir. FINANSALSOSYALTOPLULUKHAZIRLA prosedürünün zaman
karmaşıklığı O(k*m) = O(n2); m bu prosedürde sunucuların ortak arkadaş sayısını, k
ise sunucuların ortak arkadaşlarının arkadaşlarını tanımlamaktadır.
Algoritma 1: Finansal Sosyal Topluluğu Hazırlama
1: procedure FINANSALSOSYALTOPLULUKHAZIRLA(sunucular)
2: finansalSosyalToplulukÜyeleriİlişkileri ← [ ]
3: arkadaşlar ← [ ]
4: for all sunucu ∈ sunucular do
5: arkadaşlar.Ekle(ÇİFTYÖNLÜİLİŞKİLERESAHİPKULLANICILARIBUL(sunucu))
6: end for
7: ortakArkadaşlar ← ORTAKARKADAŞBUL(arkadaşlar,2) // İkiden fazla arkadaşlar’a eklenen kişiler
8: for all ortakArkadaş ∈ ortakArkadaşlar do
9: finansalSosyalToplulukÜyeİlişkileri.Ekle(ÇİFTYÖNLÜİLİŞKİLERİBUL(ortakArkadaş))
10: end for
11: return finansalSosyalToplulukÜyeleriİlişkileri
12: end procedure
Çalışmada kullanılan verileri Twitter servisinden elde etmek için Twitter4j
kütüphanesi [17] kullanan bir araç geliştirilmiştir. Bu araç finansal sosyal ağın o anki
görüntüsünü alabilmek için her Pazartesi çalıştırılmıştır. Test verisi bu çalışma için 22
Eylül 2014 ile 14 Mart 2015 tarihleri arasında haftalık toplanmıştır. Veri kümesi, 475
kullanıcının topluluk içerisindeki zaman çizelgesini yani hangi haftalarda topluluğun
üyesi kalmış bilgisi ve bu kullanıcılara ait 619091 tane kısa iletiyi içermektedir.
Her kullanıcı için haftalık pozitif ve negatif kısa ileti sayısını Weka kütüphanesi
[18] kullanılarak geliştirilen bir araç yardımıyla elde edilmiştir. Daha sonra, bir
kullanıcının bir konu hakkındaki ilgisinin ve topluluk içerisindeki inandırıcılığının
duygu polaritesine nasıl etki ettiği gözlemlemek için kullanıcının üd ve id değerleri
hesaplanıp, normal duygu analizi sonucunda çıkan polarite sayıları ile çarpılmıştır.
Böylece o kullanıcıya ait ağırlıklandırılmış polarite değeri bulunmuştur.
Haftalık karşılaştırma sırasında yüzdesel değişimi izleyebilmek için, BIST 100
kapanış ve açılış değerleri Türkiye Merkez Bankası internet sitesinden [16] elde
edilmiştir. Diğer taraftan BIST 100 değerleri ile karşılaştırma yapabilmek için, normal
(klasik hesaplama yöntemi) ve ağırlıklandırılmış (önerilen hesaplama yöntemi) duygu
polaritesinin haftalık değişimi (dphd) hesaplanmıştır. Duygu polaritesinin haftalık
yüzdesel değişimi, önceki hafta duygu polarite değeri ve mevcut haftadaki duygu
polarite değeri arasındaki fark alınıp önceki hafta duygu polarite değerine bölerek
hesaplanmıştır. Böylelikle haftalık duygu polariteleri yüzdesel değişimi elde
edilmiştir. Bu hesaplama denklem 14’te gösterilmektedir.
ℎ𝑎𝑓𝑡𝑎𝑙𝚤𝑘 𝑑𝑢𝑦𝑔𝑢 𝑑𝑒ğ𝑒𝑟𝑖𝑖+1 − ℎ𝑎𝑓𝑡𝑎𝑙𝚤𝑘 𝑑𝑢𝑦𝑔𝑢 𝑑𝑒ğ𝑒𝑟𝑖𝑖
dphd = (14)
ℎ𝑎𝑓𝑡𝑎𝑙𝚤𝑘 𝑑𝑢𝑦𝑔𝑢 𝑑𝑒ğ𝑒𝑟𝑖𝑖
790
Şekil 2’de 29 Eylül 2014 ile 14 Mart 2015 tarihleri arasında, klasik yöntem ile
hesaplanan duygu polarite değeri, önerilen yöntem ile hesaplanan duygu polarite
değeri ve BIST 100 haftalık değişim değeri görülmektedir. Şekil 2 incelendiği zaman,
çoğu hafta topluluğun duygu polaritesi ile BIST 100 arasında doğrusal bir ilişki
olduğu açıkça fark edilmektedir. Ancak bu değerler incelendiği zaman bazı haftalarda
bu ilişkinin bozulduğu dikkat çekmektedir. Bu haftalar araştırıldığında sosyal topluluk
üzerinde büyük etki yaratan olağandışı olayların bu haftalar içerisinde gerçekleştiği
görülmektedir. Bu olağandışı olayları listesi Tablo 1’de verilmektedir.
Şekil 2. 29 Eylül 2014 ile 14 Mart 2015 Tarihleri Arası Değişim Yüzdeleri
Tablo 1. Olağandışı Olaylar
Gün (Y A G) Olağandışı Olaylar
2014 10 06 Kobani Protestoları (O1)
2014 10 20 Hakkâri’de Silahlı Çatışma (O2)
2014 10 27 Ermenek Maden Kazası (O3)
2015 01 05 Petrol Fiyatlarının $50’ın Altına Düşmesi (O4)
2015 02 23- 2015 03 02 Merkez Bankası Faiz Kararı Tartışmaları (O5)
Şekil 2’de açıkça görüldüğü gibi önerilen genişletilmiş duygu analizi yönteminin
yüzdesel değişim oranları, klasik duygu analizi yönteminin yüzdesel değişim
oranlarına göre BIST 100’un haftalık yüzdesel değişim oranlarına daha yakın
seyretmektedir. Buna ek olarak, ayrıca eğer olağandışı olay ekonomi ile alakalı ise
önerilen yönteme ait sonuçların klasik yönteme ait sonuçlara göre daha çok
etkilendiği görülmektedir. Önerilerimizi daha netleştirmek ve haklı çıkarmak için, iki
değer serisi arasındaki doğrusal ilişki ölçümünde sıklıkla kullanılan Pearson
korelasyon katsayı [19] yöntemi kullanılmıştır (denklem 15). .Pearson korelasyon
katsayı "r" değeri -1 ile 1 arasında değişmektedir.Yöntemi kullanmadan önce verinin
normal dağılımı "Shapiro-Wilk" testi ile sınanmıştır. Test sonucunda üç grubun da
önem olasılık değerleri (sig.) 0.05' den büyük olduğundan tüm gruplar için %95
güvenle veriler normal dağılımlı olduğu gözlemlenmiştir ve Pearson korelasyon
katsayısı yöntemine uygun olduğu görülmüştür.
791
XY (X )(Y ) / n
PCC( X ,Y ) = r (15)
X (X ) 2 / n Y 2 (Y ) 2 / n
2
BIST 100 ile topluluğun duygu polaritesi arasındaki güçlü doğrusal ilişkiyi bulmak
ve önerilen duygu analizi yönteminin başarımını ölçmek için Pearson korelasyon
katsayı yöntemi ile dört farklı analiz yapılmıştır.
1. Bütün veri üzerinde klasik duygu analizi yöntemi (BV-KDAY).
2. Bütün veri üzerinde önerilen duygu analizi yöntemi (BV-ÖDAY).
3. Olağandışı olayların gerçekleştiği haftalar çıkarılmış veri üzerinde klasik duygu
analizi yöntemi (OO-KDAY).
4. Olağandışı olayların gerçekleştiği haftalar çıkarılmış veri üzerinde önerilen duygu
analizi yöntemi (OO-ÖDAY)
Analizler sonucunda elde edilen Pearson korelasyon katsayı değerlerinin gösterdiği
üzere önerilen duygu analizi yöntemiyle, haftalık borsa fiyat değişimleri ile haftalık
finansal sosyal topluluk duygu polaritesi değişimleri arasında önceki yaklaşımlara
göre daha yakın bir doğrusal ilişki elde edilmiştir. Analiz sonuçları Tablo 2'de
gösterilmektedir.
Tablo 2. Pearson Korelasyon Katsayı Sonuçları
Analiz Tipi Pearson Korelasyon Katsayı
BV-KDAY 0,1986
BV-ÖDAY 0,2283
OO-KDAY 0,5701
OO-ÖDAY 0,6662
5 Sonuç
Literatürde gerçekleştirilen araştırmalarda finans ve duygu analizi ilişkisi çokça ele
alınmasına rağmen sosyal ağ kullanıcıları yeterince göz önünde
bulundurulmamaktadır. Bu çalışmada, finans ile alakalı kullanıcı verileri göz önünde
bulundurarak o kullanıcının finans ile alakalı ilgi düzeyini ve finansal topluluk
içerisindeki inandırıcılığını kullanan, yeni bir topluluk düzeyi duygu analizi yöntemi
önerilmektedir. Yapılan analizler sonucu önerilen yöntemin önceki yöntemlere göre
finansal sosyal toplulukların duygu polaritesi ile borsa fiyatları arasındaki bağdaşıklık
oranını daha hassas hesapladığı görülmektedir. Bu nedenle bir topluluğun duygu
polaritesi hesaplamasında önerilen yöntemin önceki yaklaşımlardan daha etkin olduğu
düşünülmektedir. Son olarak, gelecekte yapılacak çalışmalarda farklı sınıflandırma
yöntemleri ve farklı veri kümeleri kullanılarak önerilen yaklaşımın daha detaylı ele
alınması planlanmaktadır.
792
Kaynaklar
1. Agarwal, A., Xie, B., Vovsha, I. , Rambow, O. , Passonneau, R.: Sentiment analysis of
twitter data. In: Proceedings of the Workshop on Languages in Social Media. Association
for Computational Linguistics, pp. 30-38 (2011)
2. Aggarwal, C. C., Zhai, C.:Mining text data. Springer Science & Business Media (2012)
3. Bing, L., Chan, K.C.C., Ou, C.: Public Sentiment Analysis in Twitter Data for Prediction
of a Company's Stock Price Movements. In: e-Business Engineering (ICEBE), 2014 IEEE
11th International Conference, pp.232-239 (2014)
4. Bollen, J., Mao, H., Zeng, X.: Twitter mood predicts the stock market. Journal of
Computational Science, vol. 2, no. 1, pp. 1-8 (2011)
5. Deerwester, S. C., Dumais, S. T., Landauer, T. K., Furnas, G. W., Harshman, R. A.:
Indexing by latent semantic analysis. JASIS, vol. 41, no. 6, pp. 391-407 (1990)
6. Go, A., Bhayani, R., Huang, L.: Twitter sentiment classification using distant
supervision, CS224N Project Report, Stanford, pp. 1-12 (2009)
7. Liu, B.: Sentiment Analysis and Opinion Mining, Morgan & Claypool Publishers, (2012)
8. Pang, B., Lee, L.: Opinion mining and sentiment analysis. Foundations and Trends in
Information Retrieval, vol. 2, no. 1-2, pp. 1–135 (2008)
9. Pang, B., Lee, L., Vaithyanathan, S,: Thumbs up?: sentiment classification using machine
learning techniques. In: Proceedings of the ACL-02 Conference on Empirical Methods in
Natural Language Processing, pp. 79-86 (2002)
10. Phienthrakul, T., Kijsirikul, B., Takamura, H., Okumura, M.,:Sentiment classification with
support vector machines and multiple kernel functions’. In: Proceedings of the 2009
International Conference on Neural Information Processing, pp. 583-592 (2009)
11. Rao, T., Srivastava S.: Analyzing stock market movements using twitter sentiment
analysis. In: Proceedings of the 2012 International Conference on Advances in Social
Networks Analysis and Mining, pp. 119–123, Washington, DC, USA (2012)
12. Si, J., Mukherjee, A., Liu, B., Li, Q., Li, H., Deng, X.: Exploiting Topic based Twitter
Sentiment for Stock Prediction. In: Proceedings of the 51st Annual Meeting of the
Association for Computational Linguistics, Association for Computational Linguistics, pp.
24-29 (2013)
13. Smailovic, J., Grcar, M., Lavrac, N., Znidarsic, M.: Stream-based active learning for
sentiment analysis in the financial domain. Information Sciences, vol. 285, pp. 181-203
(2014)
14. Sprenger, T. O., Tumasjan, A., Sandner, P. G., Welpe, I. M.: Tweets and trades: The
information content of stock microblogs. European Financial Management, vol. 20, no. 5,
pp. 926-957 (2014)
15. Türk Dil Kurumu, http://www.tdk.gov.tr
16. Türkiye Merkez Bankası, http://evds.tcmb.gov.tr
17. Twitter4j, http://twitter4j.org/en/index.html
18. Waikato Üniversitesi Makine Öğrenme Grubu, http://www.cs.waikato.ac.nz/ml/weka/
19. Wright Gillham, N. : A Life of Sir Francis Galton: From African Exploration to the Birth
of Eugenics, Oxford University Press (2001)
20. Yu, L. C., Wu, J. L., Chang, P. C., Chu, H. S.: Using a contextual entropy model to expand
emotion words and their intensity for the sentiment classification of stock market
news. Knowledge-Based Systems, vol. 41, pp. 89-97 (2013)
793