Yapay Zeka ile Tasarruf Finansmanı Sektörü Firmalarının Sosyal Medya Etkinliklerinin Tahmin Edilmesi
Abstract views: 221
/ 
PDF downloads: 83
DOI:
https://doi.org/10.59287/ijanser.377Keywords:
Tasarruf Finansmanı, Eminevim, Yapay Zeka, Rastgele Orman, Çok Katmanlı Algılayıcı, TwitterAbstract
İnternet kullanımının yaygınlaşmasıyla birlikte küresel ölçekte insanların birbiriyle haberleşmesi ve bilgi paylaşımı sosyal medya aracılığı ile kolaylıkla gerçekleşmektedir. Bu platformlardan Twitter özellikle iş hayatı ve politik konular olmak üzere milyonlarca mesaj ve geri bildirimin yazılarak okunduğu çok kullanıcılı bir ortam haline gelmiştir. Birçok insanı birarada bulundurması geniş bir kitleye ulaşabilmeyi sağladığı gibi firmaların rekabet gücünü arttırmak için tüketici davranışlarını anlayabilmesi açısından da önemli katkılar sağlamaktadır. Ancak bu ortamdan elde edilen büyük boyutlu verilerin analiz edilmesi klasik yöntemlerle yapılamayacak kadar zordur.
Bu çalışmanın amacı tasaruf finansmanı sektöründe lider firmalardan EminEvim’in Twitter’daki sosyal medya etkinlikleri analiz edilerek, paylaşım yapılması durumunda alınacak etkinin retweet ve beğeni sayısı türünden belirlenmesidir. Bu aşamada Yapay Zeka algoritmalarından Rastgele Orman ve Çok Katmanlı Algılayıcı modelleri oluşturularak eğitim ve test similasyonları gerçekleştirilmiştir. Sonuçlar değerlendirildiğinde en yüksek başarıyı Rastgele Orman temelli modellerinin elde ettiği ve önerilen sistemin kullanımıyla tasarruf finansmanı sektöründe bulunan firmaların sosyal medyada etkili sonuçlar elde edeceği görülmüştür.
Downloads
References
N. Alioğlu, “DUYGUSAL TATMİN ARACI OLARAK SOSYAL MEDYA KULLANIMI ÜZERİNE BİR ALAN ARAŞTIRMASI,” Beykent Üniversitesi Sosyal Bilimler Dergisi, vol. 9, no. 2, Oct. 2016, doi: 10.18221/BUJSS.59416.
A. Kaya, “Bir Araştırma Kaynağı Olarak Arşivlenen Sosyal Medya Verilerinin Kullanımı,” Bilgi ve Belge Araştırmaları Dergisi / The Journal of Information and Documentation Studies, no. 16, pp. 49–79, Dec. 2021, doi: 10.26650/bba.2021.16.1008002.
N. İlhan and D. Sağaltici, “Twitter’da Duygu Analizi,” Harran Üniversitesi Mühendislik Dergisi, vol. 5, no. 2, pp. 146–156, Aug. 2020, doi: 10.46578/HUMDER.772929.
S. Ozturkcan, M. Cevik, and N. Kasap, “Sosyal Medya Analitiği: Twitter için Büyük Veri Yaklaşımı (Social Media Analytics: Big Data Approach for Twitter),” 20.Ulusal Pazarlama Kongresi, Jun. 2015.
A. Yıldırım, “Bir Halkla İlişkiler Araci Olarak Twitter: T.C. Sağlik Bakanliği Örnek İncelemesi,” Gümüşhane Üniversitesi İletişim Fakültesi Elektronik Dergisi, vol. 2, no. 4, pp. 234–253, Nov. 2014, doi: 10.19145/GUIFD.88026.
M. Jenders, G. Kasneci, and F. Naumann, “Analyzing and predicting viral tweets,” WWW 2013 Companion - Proceedings of the 22nd International Conference on World Wide Web, pp. 657–664, 2013, doi: 10.1145/2487788.2488017.
M. Wang, W. Zuo, and Y. Wang, “A multidimensional nonnegative matrix factorization model for retweeting behavior prediction,” Math Probl Eng, vol. 2015, pp. 1–10, 2015, doi: 10.1155/2015/936397.
R. Pfitzner, A. Garas, and F. Schweitzer, “Emotional Divergence Influences Information Spreading in Twitter,” in Sixth International AAAI Conference on Weblogs and Social Media, 2012.
A. Kanavos, I. Perikos, P. Vikatos, I. Hatzilygeroudis, C. Makris, and A. Tsakalidis, “Modeling ReTweet diffusion using emotional content,” IFIP Adv Inf Commun Technol, vol. 436, pp. 101–110, 2014, doi: 10.1007/978-3-662-44654-6_10.
S. Sharma and V. Gupta, “Role of twitter user profile features in retweet prediction for big data streams,” Multimed Tools Appl, vol. 81, no. 19, pp. 27309–27338, Aug. 2022, doi: 10.1007/S11042-022-12815-1/TABLES/15.
I. Daga, A. Gupta, R. Vardhan, and P. Mukherjee, “Prediction of Likes and Retweets Using Text Information Retrieval,” Procedia Comput Sci, vol. 168, pp. 123–128, Jan. 2020, doi: 10.1016/J.PROCS.2020.02.273.
S. Kakar, D. Dhaka, and M. Mehrotra, “Value-based retweet prediction on twitter,” Informatica (Slovenia), vol. 45, no. 2, pp. 267–276, Jun. 2021, doi: 10.31449/INF.V45I2.3465.
S. N. Firdaus, C. Ding, and A. Sadeghian, “Topic specific emotion detection for retweet prediction,” International Journal of Machine Learning and Cybernetics, vol. 10, no. 8, pp. 2071–2083, Aug. 2019, doi: 10.1007/S13042-018-0798-5.
B. Jiang, F. Yi, J. Wu, and Z. Lu, “Retweet Prediction Using Context-Aware Coupled Matrix-Tensor Factorization,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 11775 LNAI, pp. 185–196, 2019, doi: 10.1007/978-3-030-29551-6_17.
L. Hong, O. Dan, and B. D. Davison, “Predicting popular messages in Twitter,” Proceedings of the 20th International Conference Companion on World Wide Web, WWW 2011, pp. 57–58, 2011, doi: 10.1145/1963192.1963222.
R. Ma, X. Hu, Q. Zhang, X. Huang, and Y. G. Jiang, “Hot topic-aware retweet prediction with masked self-attentive model,” SIGIR 2019 - Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 525–534, Jul. 2019, doi: 10.1145/3331184.3331236.
H. Üniversitesi, B. Ve Belge, Y. Bölümü, D. Öğrencisi, and Ö. Üyesi, “RapidMiner ile Twitter Verilerinin Konu Modellemesi,” Bilgi Yönetimi, vol. 3, no. 1, pp. 1–10, Jun. 2020, doi: 10.33721/BY.641878.
A. Makalesi, C. Sertkaya, and S. Akçay, “Giysi Endüstrisinde Üretim Performansının Tahmininde Yapay Sinir Ağlarının Kullanılması,” European Journal of Science and Technology, vol. 28, no. 28, pp. 34–39, Nov. 2021, doi: 10.31590/EJOSAT.979656.
G. Aksu, C. O. Güzeller, and M. T. Eser, “The Effect of the Normalization Method Used in Different Sample Sizes on the Success of Artificial Neural Network Model,” International Journal of Assessment Tools in Education, pp. 170–192, Apr. 2019, doi: 10.21449/IJATE.479404.
L. Breiman, “Random forests,” Mach Learn, vol. 45, no. 1, pp. 5–32, Oct. 2001, doi: 10.1023/A:1010933404324/METRICS.
“What is a Random Forest? | TIBCO Software.” https://www.tibco.com/reference-center/what-is-a-random-forest (accessed Apr. 01, 2023).
S. K. Pal and S. Mitra, “Multilayer Perceptron, Fuzzy Sets, and Classification,” IEEE Trans Neural Netw, vol. 3, no. 5, pp. 683–697, 1992, doi: 10.1109/72.159058.
A. Khotanzad and C. Chung, “Application of multi-layer perceptron neural networks to vision problems,” Neural Comput Appl, vol. 7, no. 3, pp. 249–259, 1998, doi: 10.1007/BF01414886/METRICS.
E. Bisong, “The Multilayer Perceptron (MLP),” Building Machine Learning and Deep Learning Models on Google Cloud Platform, pp. 401–405, 2019, doi: 10.1007/978-1-4842-4470-8_31.
