Unified Framework for Sentiment Analysis in Multiple Languages

Abstract

Duygu analizi, müşteri görüşlerini, duygularını ve geri bildirimlerini anlama açısından hayati önem taşır. Bu çalışma, çok dilli duygu analiz performansını artırmak için bütünleşik bir sistem yaklaşımı sunmaktadır. Çalışmamızda, İngilizce, Türkçe, Arapça ve Fransızca dillerini kapsayan duygu analizinde Google Çeviri ve Yandex Çeviri olmak üzere iki popüler makine çeviri hizmeti kullanılmıştır. Bulgu ve sonuçlar, çok dilli duygu analizi için birleşik bir çerçevenin kullanılmasının önemini, farklı dillerde duygu analizini kolaylaştırmada makine çeviri hizmetlerinin önemini vurgulamaktadır. Ayrıca sonuçlar, duygu analizi alanındaki araştırmacılar ve uygulamacılar için yararlı bilgiler sağlamaktadır. Geliştirdiğimiz sistem birçok veri seti üzerinde değerlendirilmiş ve diline bağlı olarak doğrulukta %1 ila %22 arasında iyileşme gösteren umut verici sonuçlar ortaya koymuştur. Yaklaşımımız, dil özgü modelleri geride bırakarak önerilen çeviri tabanlı çok dilli çerçevenin etkinliğini göstermiştir. Ek olarak, duygu analizinin performansının farklı diller arasında değiştiğini, Google Çeviri'nin Türkçe ve Arapça çevirilerin duygu analizinde daha iyi performans gösterirken, Yandex Çeviri'nin İngilizce ve Fransızca çevirilerin duygu analizinde daha iyi sonuçlar gösterdiğini tespit edildi.

Multilingual sentiment analysis plays a critical role in comprehending customer sentiment, feedback, and emotional responses. This study introduces a comprehensive framework designed to augment the efficacy of sentiment analysis across multiple languages. The research utilizes renowned machine translation services, namely Google Translate and Yandex Translate, to carry out sentiment analysis in several languages including English, Turkish, Arabic, and French. The outcomes underline the advantage of deploying a single, comprehensive framework for multilingual sentiment analysis. Furthermore, they underscore the crucial role machine translation services play in simplifying sentiment analysis across various languages. The insights gained from the results are beneficial to both researchers and practitioners in the sentiment analysis sphere. The proposed framework underwent testing on multiple datasets, exhibiting encouraging results with an improvement in accuracy between 1% and 22% depending on the language. Our method outperforms language-specific models and substantiates the efficiency of the proposed translation-based multilingual framework. Additionally, the study revealed that the efficacy of sentiment analysis fluctuates between different languages. Google Translate demonstrated superior performance in Turkish and Arabic sentiment analysis translations, whereas Yandex Translate excelled in English and French sentiment analysis translations.