Kelime Uzayları ve Derin Öğrenme Algoritmaları ile Oyun Sektöründe Geri Bildirim Etkinliğinin Değerlendirilmesi

Authors : Mert Yavaş, Mansur Alp Toçoğlu, Emre Şatır

Pages : 421-429

Doi:10.21205/deufmd.2025278110

View : 51 | Download : 63

Publication Date : 2025-09-29

Article Type : Research Paper

Abstract :Bu çalışmanın amacı, oyun sektörü gibi spesifik bir alandan elde edilen yorum, değerlendirme ve tavsiye gibi geri dönüşleri, daha geniş konu seçeneklerine sahip gönderilerle karşılaştırarak, bu geri dönüşlerin etkinliğini incelemektir. Açık kaynaklı platformlardan toplanan veriler, Word2Vec’in CBOW ve Skip-Gram yöntemleri ile 50, 100, 150, 200, 250, 300 vektör boyutlarında 24 farklı kelime uzayı oluşturmak için kullanılmıştır. Steam platformundan alınan ve \\\"Tavsiye Edilen\\\" veya \\\"Tavsiye Edilmeyen\\\" olarak etiketlenen 14.769 adet oyun yorumu, derin öğrenme algoritmaları olan LSTM, RNN ve GRU ile analiz edilmiştir. Çalışmada, veri kazıma yöntemiyle elde edilen etiketli veriler üzerinde çeşitli derin öğrenme algoritmaları uygulanarak tavsiye analizi gerçekleştirilmiş ve farklı kelime uzayları ile derin öğrenme yaklaşımlarının başarı skorları karşılaştırılmıştır. Deneylerden alınan skorlar, oyun sektörü gibi belirli bir alandan elde edilen yorumların genel içeriklere kıyasla daha anlamlı sonuçlar verdiğini ortaya koymaktadır. Özellikle, 250 vektör boyutlu Skip-Gram kelime uzayında GRU algoritmasının; %80,16 doğruluk, %80,21 kesinlik, %80,00 duyarlılık ve %80,02 F1 skoru ile en yüksek başarıyı gösterdiği gözlenmiştir. Bu bulguların, derin öğrenme algoritmalarının farklı kelime uzayları üzerindeki performansını değerlendirerek oyun sektörü geri bildirimlerinin analizine katkı sağladığı düşünülmektedir. Çalışma, oyun sektörü gibi spesifik alanlara yönelik bağlamsal analizlerin ve derin öğrenme tekniklerinin uygulamalı değerini vurgulamaktadır.
Keywords : Metin madenciliği, Kelime uzayı, Derin öğrenme, Geri bildirim analizi, Veri kazıma, Doğal dil işleme

ORIGINAL ARTICLE URL