Sentiment Analizi ve NLP
Sentiment analizi, metinlerdeki duygusal tonu otomatik tespit eden NLP tekniğidir; müşteri yorumlarını pozitif, negatif veya nötr olarak ~%85-95 doğrulukla sınıflandırır.
Sentiment analizi nedir?
Sentiment analizi (duygu analizi), metinlerdeki duygusal tonu otomatik tespit eden doğal dil işleme (NLP) tekniğidir. Müşteri yorumu, sosyal medya paylaşımı veya destek talebini pozitif, negatif ya da nötr olarak sınıflandırır. Türkçe metinlerde iyi kurgulanmış modeller yaklaşık %85-95 doğruluk verebilir; ironi ve argo yoğun içeriklerde bu oran düşer.
Üç analiz seviyesi
| Seviye | Neyi ölçer | Örnek |
|---|---|---|
| Doküman seviyesi | Tüm metnin genel duygusu | "Bu ürün harika, herkese tavsiye ederim." → pozitif (~+0,85) |
| Cümle seviyesi | Her cümlenin ayrı duygusu | "Kalitesi iyi (+) ama kargo gecikti (−)." → karma |
| Aspect-based (yön bazlı) | Her özelliğe ayrı skor | Kamera (+0,9), batarya (−0,8), fiyat (−0,7) |
Karma yorumlarda doküman seviyesi yanıltıcı olabilir; bir yorum hem övgü hem şikâyet içeriyorsa aspect-based yaklaşım gerçek içgörüyü verir. Restoran örneğinde yemek, servis ve fiyat ayrı ayrı skorlanır.
Türkçe sentiment analizinin zorlukları
- Olumsuzluk ekleri: Tek bir ek anlamı tersine çevirir. "Güzel" pozitifken "güzelsiz" negatif; "beğendim" pozitifken "beğenmedim" negatif olur. Kelime tabanlı sözlükler bunu kaçırır.
- İroni ve kinaye: "Çok kaliteliymiş, 3 günde bozuldu" cümlesinde kelimeler pozitif ama gerçek duygu negatiftir; bağlam olmadan tespit zordur.
- Argo ve jargon: "leş", "taş", "10 numara" gibi ifadeler standart sözlükte yer almaz veya yanlış kutuplu görünür.
- Etiketli veri kıtlığı: İngilizce için milyonlarca etiketli örnek varken, Türkçe etiketli veri kümeleri çok daha küçüktür; bu yüzden transfer learning kritik önemdedir.
Model karşılaştırması (Türkçe)
Aşağıdaki doğruluk değerleri yaklaşık, örnek referanslardır ve veri kümesine göre değişir.
| Model / yaklaşım | Türü | Türkçe doğruluk (yaklaşık) | Not |
|---|---|---|---|
| mBERT (çok dilli BERT) | Transformer | ~%85-90 | 104 dil desteği, hazır başlangıç |
| BERTurk | Türkçeye özel BERT | ~%88-93 | Türkçe morfolojiye daha uyumlu |
| XLM-RoBERTa | Çok dilli | ~%88-92 | Güçlü cross-lingual transfer |
| LLM (zero/few-shot) | Büyük dil modeli | ~%88-93 | İyi prompt ile hızlı, etiketli veri gerektirmez |
| Kural + ML hibrit | Karma | Değişken | Olumsuzluk eki kontrolü + model; en dengeli |
Uygulama yaklaşımı
Pratik bir kurulum genellikle üç katmandan oluşur: ön işleme (normalizasyon, ek/olumsuzluk tespiti), model (BERTurk/XLM-R veya LLM) ve son işleme (skor eşiği, aspect eşleştirme). Eşik değeri sektöre göre ayarlanır: kriz izlemede negatif sınıfa karşı hassasiyet yüksek tutulur, böylece yanlış-negatif (kaçırılan şikâyet) azalır.
Kullanım alanları ve ROI
- E-ticaret yorum analizi: Binlerce yorumu otomatik tarayıp düşük memnuniyetli ürünleri ve tekrar eden şikâyet temalarını (ör. "kargo gecikmesi") öne çıkarma.
- Sosyal medya izleme: Marka bahislerini gerçek zamanlı takip ederek olumsuz dalgayı erken yakalama ve kriz yönetimi.
- Destek önceliklendirme: Gelen talepleri duyguya göre sıralayıp öfkeli müşteriye öncelik vererek churn riskini azaltma.
- Ürün geliştirme: Aspect-based skorlarla hangi özelliğin sevildiğini/sevilmediğini veriyle görme.
Örnek senaryo (hipotetik): Günde on binlerce yorum alan bir pazaryeri satıcısı, otomatik sentiment ile skoru belirli bir eşiğin altına düşen ürünlerde uyarı alabilir; aspect analizi şikâyetin çoğunlukla "kargo" temasından geldiğini gösterirse, lojistik tarafına odaklanarak memnuniyeti artırabilir. Buradaki oranlar kuruma göre değişir; kesin bir "başarı yüzdesi" ancak kendi verinizle ölçülür. Kaba çerçeve: ROI = (elde edilen kazanç − sistem maliyeti) ÷ sistem maliyeti.
2026 eğilimleri
- LLM tabanlı sentiment: Büyük dil modelleri, az etiketli veriyle bile bağlam ve ironiyi daha iyi yakalıyor.
- Aspect + neden çıkarımı: Sadece skor değil, "neden negatif" açıklamasını da üreten sistemler.
- Çok modlu duygu: Metin + emoji + (çağrı merkezinde) ses tonunun birlikte değerlendirilmesi.
- KVKK uyumu: Yorum ve mesaj verisinin işlenmesinde 6698 kapsamında anonimleştirme ve amaç sınırlaması.
Sentiment analizi; chatbot ve sesli kanallarla birleştiğinde uçtan uca müşteri deneyimi zekâsı sunar. İlgili konuları AI chatbot ve ChatGPT entegrasyonu yazılarımızda ele alıyoruz.
Merak edilenler
Sentiment analizi nedir?
Sentiment analizi (duygu analizi), bir metnin taşıdığı duygusal tonu otomatik tespit eden NLP tekniğidir. Metni genellikle pozitif, negatif veya nötr olarak sınıflandırır; gelişmiş sistemler ürün/hizmetin belirli yönlerine göre (aspect-based) ayrı skorlar üretir. Türkçe metinlerde tipik doğruluk yaklaşık %85-95 aralığındadır.
Türkçe sentiment analizi neden daha zor?
Türkçe eklemeli (agglutinative) bir dildir: tek bir ek (-siz, -me) kelimenin duygusunu tersine çevirebilir (güzel/güzelsiz, beğendim/beğenmedim). Ayrıca ironi, argo ve etiketli veri kıtlığı doğruluğu düşürür. Bu yüzden Türkçeye özel eğitilmiş modeller (ör. BERTurk) ya da çok dilli transfer learning tercih edilir.
Aspect-based sentiment nedir?
Aspect-based (yön bazlı) sentiment, bir yorumu tek bir skora indirgemek yerine ürünün farklı özelliklerine ayrı skorlar verir. Örneğin bir telefon yorumunda kamera pozitif, batarya ve fiyat negatif olabilir. Bu, ürün geliştirme için en değerli içgörüyü sağlar.
Hangi model Türkçe için uygundur?
BERTurk (Türkçeye özel eğitilmiş BERT), çok dilli mBERT ve XLM-RoBERTa yaygın seçeneklerdir; XLM-RoBERTa Türkçede yaklaşık %88-92 isabet verebilir. Büyük dil modelleri (LLM) ile zero-shot/few-shot yaklaşım da iyi prompt tasarımıyla yüksek doğruluk sağlar. Kural tabanlı + ML hibrit yaklaşım genellikle en dengeli sonucu verir.
Kurumunuza özel çözümü konuşalım.
İhtiyacınızı yazın; yapay zeka, veri analitiği ve siber güvenlik çözümlerini değerlendirip 1 iş günü içinde dönelim. Aradığınız yoksa talep üzerine geliştiririz.
Talep Oluştur