Arslan, SerdarEke, Simay2026-04-032026-04-032024https://hdl.handle.net/20.500.12416/15977https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=CtwiQkYvArAb95Ufpfs_vksOgLejBmbDy4W_H1ZqqNjlMDWlLuax3wgj84TZMA0xDuygu sınıflandırması, metinlerdeki bağlamları ve eğilimleri belirlemede önemli bir süreçtir. Doğal dil işleme ve derin öğrenmedeki son gelişmeler nedeniyle sinir ağları gibi yöntemler duygu sınıflandırmasında çok daha fazla önem kazanmıştır. Bu çalışma özellikle gömme yöntemlerini, dikkat ağlarını ve mekanizmalarını, Yinelemeli Sinir Ağlarını vurgulamaktadır. Çalışma karakter ve kelime gömmelerinin modelleri ve metin analizini nasıl geliştirdiğini, dikkat mekanizmalarının bilginin belirli bölümlerine nasıl vurgu yaptığını ve daha fazla dikkat ettiğini, Uzun Kısa Süreli Bellek ağlarının metindeki uzun vadeli bağımlılıkları ve zamansal değişimleri nasıl oldukça etkili bir şekilde yakaladığını incelemektedir. Hem kısa, yapılandırılmamış hem de uzun, yapılandırılmış Türkçe metinlerin duygularını tek bir modelde analiz etmek amacıyla Uzun Kısa Süreli Bellek ve Hiyerarşik Kapılı Dikkat Ağı birleştirilerek bir hibrit model geliştirilmiştir. Ayrıca önerilen modelin performansını değerlendirmek için Twitter verisi kullanılarak yeni bir Türkçe veri seti oluşturulmuş ve etiketlenmiştir. Hiyerarşik Kapılı Dikkat Ağı, hem kelime hem de cümle düzeylerinde temel bilgileri önceliklendirerek ikili bir rol oynar ve böylece metnin hiyerarşik yapısını daha etkili bir şekilde yakalar. Bu yaklaşım, Uzun Kısa Süreli Bellek Ağlarının güçlü yetenekleriyle birleştiğinde duygu sınıflandırması için sağlam bir çerçeve oluşturur. Deney sonuçları, bu yöntemlerin birleştirilmesinin duygu sınıflandırmasının performansını artırdığını ve Türkçe metinlerdeki bağlamların daha kapsamlı bir şekilde anlaşılmasını sağladığını göstermektedir. Çalışma, bu tekniklerin nasıl uygulandığını ve bu uygulamaların modelin duygu sınıflandırması üzerindeki etkilerini ayrıntılı olarak inceler ve bunları diğer yapılandırmalar, yöntemler ve modellerle karşılaştırır.Sentiment classification is a significant process of determining contexts and trends in texts. Due to recent advancements in natural language processing and deep learning, methods such as neural networks have gained much more importance in sentiment classification. This study specifically highlights embedding methods, attention networks and mechanisms, and Recurrent Neural Networks (RNNs). The study investigates how embeddings of character and word improve models and the analysis of text, how attention mechanisms lay stress on and give more attention to certain parts of information, and how Long Short-Term Memory (LSTM) networks capture long-term dependencies and temporal changes in the text rather effectively. In order to analyze the sentiments of both short, unstructured and long, structured Turkish texts in a single model, a hybrid model is developed by integrating LSTM and Hierarchical Gated Attention Network. Furthermore, to evaluate the performance of the proposed model a new Turkish dataset has been created and labeled using Twitter data. Hierarchical Gated Attention Network plays a dual role by prioritizing essential information at both the word and sentence levels, thereby capturing the hierarchical structure of text more effectively. This approach, combined with LSTM's strong capabilities, creates a robust framework for sentiment classification. The experiment results show that the integration of these methods increases the performance of sentiment classification and provides a more comprehensive understanding of contexts in Turkish texts. The study examines in detail how these techniques are applied and the effects of these applications on the sentiment classification of the model and compares them to other configurations, methods and models.enComputer Engineering and Computer Science and ControlBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaster Thesis