Sentiment Analizi: Müşteri Yorumlarında Duygu Analizi ve NLP

# 1. Transformers (Hugging Face) ile Türkçe Sentiment
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

# BERTurk sentiment model
model_name = "savasy/bert-base-turkish-sentiment-cased"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

def analyze_sentiment(text):
    # Tokenize
    inputs = tokenizer(text, return_tensors="pt", truncation=True, max_length=512)

    # Predict
    outputs = model(**inputs)
    probs = torch.softmax(outputs.logits, dim=1)

    # Labels: 0=negative, 1=positive
    sentiment = "Pozitif" if probs[0][1] > 0.5 else "Negatif"
    confidence = probs[0][1].item() if probs[0][1] > 0.5 else probs[0][0].item()

    return sentiment, confidence

# Test
text = "Bu ürün gerçekten harika! Çok memnun kaldım."
sentiment, confidence = analyze_sentiment(text)
print(f"Sentiment: {sentiment}, Confidence: {confidence:.2f}")
# Output: Sentiment: Pozitif, Confidence: 0.94

# OpenAI GPT-4 kullanarak sentiment analizi
from openai import OpenAI

client = OpenAI()

def gpt4_sentiment(text):
    response = client.chat.completions.create(
        model="gpt-4-turbo-preview",
        messages=[
            {
                "role": "system",
                "content": """Sen bir sentiment analiz asistanısın.
                Verilen Türkçe metni analiz et ve şu formatta yanıt ver:
                {
                  "sentiment": "pozitif/negatif/nötr",
                  "score": 0.0 ile 1.0 arası,
                  "reason": "kısa açıklama"
                }"""
            },
            {
                "role": "user",
                "content": f"Metni analiz et: {text}"
            }
        ],
        response_format={ "type": "json_object" }
    )

    return response.choices[0].message.content

# Test
text = "Ürün güzel ama kargo çok geç geldi."
result = gpt4_sentiment(text)
print(result)
# Output: {"sentiment": "nötr", "score": 0.55, "reason": "Ürün hakkında pozitif, kargo hakkında negatif ifade var"}

# Aspect-based sentiment extraction
import spacy
from transformers import pipeline

# Türkçe NLP model
nlp = spacy.load("xx_ent_wiki_sm")  # Multilingual

# Sentiment pipeline
sentiment_analyzer = pipeline(
    "sentiment-analysis",
    model="savasy/bert-base-turkish-sentiment-cased"
)

def aspect_based_sentiment(text, aspects):
    """
    aspects: ["kamera", "batarya", "fiyat", "ekran"]
    """
    results = {}

    # Metni cümlelere böl
    doc = nlp(text)
    sentences = [sent.text for sent in doc.sents]

    # Her aspect için ilgili cümleleri bul ve sentiment analiz et
    for aspect in aspects:
        aspect_sentences = [s for s in sentences if aspect.lower() in s.lower()]

        if aspect_sentences:
            # Her cümlenin sentiment'ini al
            sentiments = sentiment_analyzer(aspect_sentences)

            # Ortalama sentiment score
            avg_score = sum(s['score'] if s['label']=='POSITIVE' else -s['score']
                          for s in sentiments) / len(sentiments)

            results[aspect] = {
                'sentiment': 'pozitif' if avg_score > 0.2 else 'negatif' if avg_score < -0.2 else 'nötr',
                'score': avg_score,
                'mentions': len(aspect_sentences)
            }
        else:
            results[aspect] = None

    return results

# Test
text = """iPhone 15 Pro'nun kamerası gerçekten mükemmel, gece çekimleri harika.
Ama bataryası çok zayıf, akşama kadar zor dayaniyor.
Ekran kalitesi de süper ama fiyat çok yüksek."""

aspects = ["kamera", "batarya", "ekran", "fiyat"]
results = aspect_based_sentiment(text, aspects)

for aspect, data in results.items():
    if data:
        print(f"{aspect}: {data['sentiment']} ({data['score']:.2f})")

# Output:
# kamera: pozitif (0.87)
# batarya: negatif (-0.74)
# ekran: pozitif (0.81)
# fiyat: negatif (-0.68)