Tüketici yorumlarının fayda düzeyinin tahminlenmesine yönelik bir araştırma: Makine öğrenmesi algoritmalarının karşılaştırılması = A study on estimating the usefulness level of consumer reviews: comparison of machine learning algorithms

Abstract

Web 2.0'ın gelişmesiyle birlikte tüketiciler arasında çevrimiçi paylaşım platformlarında bilgi alışverişi yaygınlaşmış, tüketiciler arasındaki bilgi alışverişi sınırı neredeyse kalkmıştır. Tüketiciler, Web 2.0 ve teknolojileri öncesinde ancak kendi şehirlerinde, kendi mahallelerinde olan insanlar ile bilgi ve fikir alışverişinde bulunabilirken, bu iletişim türü yavaşça internet platformlarına taşınmış ve Elektronik Ağızdan Ağıza İletişim kavramını ortaya çıkarmıştır. Bu sayede tüketiciler, bir ürün veya hizmet hakkında, sadece kendi çevresinde değil dünyanın her yerinde bulunan tüketicilerle bilgi alışverişinde bulunabilmektedir. Gelişen teknolojiler ve tüketicilerin internet kullanım alışkanlarının da gelişmesiyle, tüketicinin faydasına olacak bilgiye ulaşmak da zorlaşmaktadır. Çevrimiçi alışveriş platformları, faydalı bilginin tespiti ve ön plana çıkması için çeşitli yöntemler sunsa da bir tüketici yorum ve değerlendirmesinin faydalı olmasının belirlenmesi, diğer tüketicilerin onayına bağlıdır. Makine öğrenmesi alanında yaşanan gelişmeler, her geçen gün bir başka işin makinelere devredilmesine olanak sağlıyor. Bu sayede, insanların hiç müdahalesi olmadan ya da çok az müdahalesi olarak tekrarlı işler veya kontrol süreçleri otomatik bir şekilde ilerleyebilmektedir. Makine öğrenmesinin bir dalı olan denetimli öğrenme, belirli etiket veya sınıflara sahip veri gruplarının özniteliklerini öğrenerek, etiketi veya sınıfı belli olmayan varlıkların etiketlenmesinde ya da sınıflandırılmasında kullanılabilmektedir. Çalışmanın ilk bölümü ağızdan ağıza iletişim, Web 1.0 ve Web 2.0, faydalı tüketici değerlendirmesi ile ilgili genel bilgiler içermektedir. İkinci bölüm ise, algoritmanın ne olduğu, verinin ne olduğu, veri ön işleme süreçleri, makine öğrenmesi, denetimli öğrenme ve alt başlıkları, denetimsiz öğrenme, pekiştirmeli öğrenme ve makine öğrenmesi algoritmalarını sınamak ile ilgili bilgiler içermektedir. Çalışmanın üçüncü bölümü, araştırma modeli, veri alma süreçleri, veri ön işleme, öznitelik çıkarımı, modellerin eğitilmesi ve test edilmesini içermektedir. Çalışmada 6 farklı denetimli makine öğrenmesi algoritması, çevrimiçi alışveriş platformunda bir ürüne yazılmış tüketici değerlendirmelerinden elde edilen özniteliklerle eğitilerek, yeni bir kullanıcı değerlendirmesinin, tüketiciler tarafından faydalı olarak işaretlenip işaretlenmeyeceği tahmin edilmeye çalışılmıştır. Algoritmalar, doğruluk, ROC eğrisi altında kalan alan ve F1 skorlarına göre sınanmış, farklı ürün kategorilerinden gelen tüketici değerlendirmeleri ile harici olarak da sınanmıştır. Bu çalışmanın, tüketicileri, diğer tüketicilere faydalı olacak bir tüketici değerlendirmesinin, diğer tüketicilerin onayına sunulmaksızın tespit edilebileceği bilgisiyle, yeni bir tüketici değerlendirmesi hazırlanması konusunda teşvik etmesi beklenmektedir.

With the development of Web 2.0, information exchange among consumers on online sharing platforms has become widespread, and the limit of information exchange between consumers has almost disappeared. While consumers could only exchange information and ideas with people in their own cities and neighborhoods before Web 2.0 and technologies, this type of communication slowly moved to internet platforms and revealed the concept of Electronic Word of Mouth Communication. In this way, consumers can exchange information about a product or service not only with consumers in their own neighborhood but also all over the world. With the developing technologies and the development of consumers' internet usage habits, it becomes difficult to reach information that will benefit the consumer. While online shopping platforms offer a variety of methods for identifying and highlighting useful information, determining whether a consumer review and evaluation is useful depends on the approval of other consumers. Developments in the field of machine learning enable the transfer of another job to machines day by day. In this way, repetitive work or control processes can proceed automatically with little or no human intervention. Supervised learning, which is a branch of machine learning, can be used to label or classify entities with unknown labels or classes by learning the attributes of data groups with certain labels or classes. The first part of the study includes general information about word of mouth, Web 1.0 and Web 2.0, useful consumer evaluation. The second part includes information about what the algorithm is, what the data is, data preprocessing processes, machine learning, supervised learning and its sub-titles, unsupervised learning, reinforcement learning and testing machine learning algorithms. The third part of the study includes the research model, data acquisition processes, data preprocessing, feature extraction, training and testing of models. In the study, 6 different supervised machine learning algorithms were trained with the attributes obtained from consumer evaluations written on a product in the online shopping platform, and it was tried to predict whether a new user evaluation would be marked as useful by consumers. Algorithms were tested for accuracy, area under the ROC curve and F1 scores, and were also externally tested with consumer reviews from different product categories. It is expected that this study will encourage consumers to prepare a new consumer assessment with the knowledge that a consumer assessment that will be beneficial to other consumers can be determined without the approval of other consumers.