Makine öğrenimi, doğal dil işleme ve derin öğrenme kullanılarak Covıd-19 aşısı tweetlerinde metin kümeleme ve konu modelleme

Korona virüs hastalığı (COVID-19), Aralık 2019'un sonlarında ortaya çıkmış ve dünya genelinde muazzam bir can kaybına neden olmuş, halk sağlığı, eğitim, sosyal yaşam, küresel ekonomiler ve iş yeri için çok büyük sorunlar ortaya çıkarmıştır. COVID-19 pandemisini sona erdirmek için güvenli ve etkili aşılara erişim gerekmektedir. Literatürde bulunan COVID-19 metin verilerini hızlı bir şekilde yorumlamak için kullanılan en iyi yaklaşımlar genellikle denetimsiz öğrenme yaklaşımları olmuştur. Bu tezinin amacı, korona virüs aşısı ile ilgili tweet'leri analiz etmek için metinlerin kümelemesi ve konuların modellemeyi kullanmaktır. Makine öğrenmesi ve derin öğrenme yöntem ve tekniklerini kullanarak, korona virüs (COVID-19) aşısı ile ilgili yaygın olan konular ve kümeler araştırılmıştır. Çalışma ayrıca, önerilen modellerin doğruluğunu artırmak, denetimsiz öğrenme yöntemlerini değerlendirmek ve başka bulgular elde etmek için kelime yerleştirmelerini kullanarak, keşifsel veri analizi yoluyla tweet'lerden çıkarılabilecek çeşitli sonuçları da incelemektedir. Tezde, metin kümeleme, k-means ve HDBSCAN gibi makine öğrenmesi kümeleme algoritmaları, derin öğrenme tabanlı kümeleme yöntemleri ve PCA, LDA, t-SNE ve UMAP gibi boyut azaltma algoritmaları kullanılmış ayrıca, LDA gibi konu modelleme algoritmaları ile GSDMM ve TopicBERT/ BERTopic yöntemleri, korona virüs aşısı ile ilgili sonuçları elde etmek için kullanılmıştır. Bu çalışmanın bulguları, GSDMM ve BERTopic'in COVID-19 ile ilgili önemli başlıkları elde ettiğini, derin öğrenme kümeleme yöntemlerinin metin kümelemede diğer makine öğrenmesi yöntemlerinden daha iyi performans gösterdiğini ortaya çıkarmıştır. K-ortalamalar yöntemi, çoklu değerlendirme kriterlerine dayalı olarak başarılı bir kümeleme gerçekleştirmiş ancak HDBSCAN yöntemi öğrenilen özelliklere dayalı olarak daha iyi kümeleme gerçekleştirdiği ortaya çıkmıştır.