İnce taneli duygu analizi için çok ilişkili çift dikkatli grafik dönüştürücü

İnce ipuçlarının incelemelerde neden önemi var

Çevrimiçi incelemeler karışık duygularla doludur: bir restoran “yemek harika ama servis yavaş” olabilir ya da bir telefon “güzel ekranlı ama berbat pil ömrü” olarak tanımlanabilir. Şirketler ve araştırmacılar, yalnızca bir incelemenin genel olarak olumlu mu olumsuz mu olduğunu değil, bu tür ayrıntılı görüşleri bilgisayarların anlamasını istiyor. Bu makale, cümlenin belirli bölümlerine — örneğin “servis” veya “pil ömrü” — odaklanan ve ipuçları dağınık ve ince olsa bile her biri hakkında insanların tam olarak ne hissettiklerini belirleyen yeni bir yapay zeka modelini tanıtıyor.

Tek beden duygu yaklaşımının ötesine bakmak

Geleneksel duygu analizi bir cümleyi veya incelemeyi tek bir metin bloğu olarak ele alır ve genel olarak olumlu veya olumsuz olup olmadığına karar verir. Bu basit yorumlar için işe yarar, ancak insanlar aynı cümlede bir yönü överken başka bir yönü eleştirdiklerinde başarısız olur. Öğe Tabanlı Duygu Analizi alanı, bir restoran incelemesindeki “servis”, “ortam” veya “personel” gibi her bir hedefe yönelik duygunun ne olduğunu sormayı amaçlar. Önceki yöntemler elle hazırlanmış kurallara veya kelime sayan basit makine öğrenimine dayanıyordu; ardından metni ardışık olarak okuyan sinir ağlarına geçildi. Bu ardışık modeller doğruluğu artırsa da, önemli kelimeler uzakta olduğunda veya “ama” ve “ancak” gibi karşıtlık belirten sözcüklerle bağlandığında uzak bağıntıları ve ince sinyalleri kaçırmaya devam etti.

Cümleleri bağlı haritalara dönüştürmek

Yazarlar, ince taneli görüşleri gerçekten anlamak için bir bilgisayarın cümleyi düz bir çizgi yerine bir ağ olarak görmesi gerektiğini savunuyor. Bu yaklaşıma göre her kelime grafikte bir düğüm olur ve farklı ilişki türleri kenarlar oluşturur. Bir kenar kümesi, hangi kelimenin özne veya nesne olduğunu gibi dilbilgisel ilişkileri yakalar. Başka bir küme, yan yana olmasalar bile anlamca benzer kelimeleri bağlar. Üçüncü bir küme ise genellikle duygu değişimini işaret eden “ama”, “ancak” veya “olsa da” gibi söylem işaretlerini işaretler. “Servis fena değildi ama ortam soğuk hissettirdi, olsa da personel samimiydi” gibi bir cümlede bu grafik, övgü ve eleştirinin farklı öğeler etrafında nasıl iç içe geçtiğini gösterir.

Bağlam ve hedeflere çift odak

Bu grafik bakışının üzerine kurulan makale, Çok İlişkili Çift Dikkatli Grafik Dönüştürücü (MRDAGT) adlı modeli sunar. Bu model, grafiklere uyarlanmış bir Dönüştürücü tarzı dikkat mekanizması kullanır. Bir dikkat başlığı, cümledeki tüm kelimelerin birbirleriyle nasıl ilişkili olduğuna geniş biçimde bakarak yararlı yerel bağlamları toplar. İkinci bir dikkat başlığı ise ele alınan öğeye — örneğin “servis” veya “ortam” — özel olarak odaklanır ve o hedefle ilgili görüşleri şekillendiren kelimelerin, örneğin “fena değil” veya “soğuk hissetmek” gibi kelimelerin etkisini yükseltir. Tek bir cümlede birden fazla öğe varsa isteğe bağlı bir global dikkat katmanı, modelin bunların etkileşimlerini değerlendirmesine yardımcı olur. Aslında sistem, koordine edilmiş iki spot ışığı yakar: biri genel cümle yapısına, diğeri ise duygusu değerlendirilen öğeye doğrudan odaklanır.

Makine dikkatini daha seçici ve açıklanabilir kılmak

Modern yapay zekâ ile ilgili temel endişelerden biri, modelin odaklandığı kelimeleri gösteren dikkat ağırlıklarının çok yaygın dağılabilmesi ve kararları yorumlamayı zorlaştırmasıdır. MRDAGT bunu iki düzenleyici güçle ele alır. Bir entropi cezası, aşırı düz dikkat dağılımlarını caydırarak modelin birkaç önemli kelimeye daha keskin odaklanmasını teşvik eder. Aynı zamanda bir L1 seyrekleştirme terimi, birçok dikkat bağlantısını sıfıra yaklaştırarak zayıf, gürültülü bağlantıları budar. Bu güçler birlikte “odaklanmış seyrekliği” oluşturur: model gerçek alaka düzeyi yüksek kelime–öğe çiftlerine açık, yüksek ağırlıklar verirken dikkat dağıtıcı unsurları görmezden gelme eğilimindedir. Dizüstü bilgisayar incelemeleri, karmaşık çok cümleli değerlendirmeler ve gündelik Twitter gönderileri olmak üzere üç kıyas veri setinde yapılan deneyler, MRDAGT’nin güçlü mevcut sistemleri doğrulukta yaklaşık bir ila iki puan aşarken aynı zamanda daha temiz ve daha yorumlanabilir dikkat haritaları ürettiğini gösteriyor.

Gerçek dünya görüş madenciliği için ne anlama geliyor

Uzman olmayanlar için çıkarım, bu modelin dağınık gerçek dünya metinlerinden görüşleri çıkarmada daha hassas ve güvenilir bir yol sunduğudur. Bir incelemeyi yalnızca “çoğunlukla olumlu” demek yerine, MRDAGT müşterilerin bir cihazın hızını beğendiğini ama pilini sevmediklerini ya da müşterilerin bir kafedeki personele değer verdiğini ancak gürültüden şikâyet ettiklerini ayrı ayrı raporlayabilir. Dikkat desenleri insan sezgileriyle — karşıtlık sözcüklerine, duygu sıfatlarına ve öğe terimlerine odaklanarak — uyumlu olduğu için analistler modelin neden belirli bir yargıya vardığını görmekte daha rahat ederler. Yazarlar, bu yaklaşımın daha iyi ürün tasarım kararlarını destekleyebileceğini, daha keskin sosyal medya izlemesi sağlayabileceğini ve gelecekte birden çok dile ve hatta ses ve görsel gibi çok modlu verilere genişletilebileceğini, tüm bunların muhakeme sürecini göreceli olarak şeffaf tutarken mümkün kıldığını öne sürüyorlar.

Atıf: Anilkumar, A.P., Kim, SK. & Yoon, YC. Scientific reports multi relational dual attention graph transformer for fine grained sentiment analysis. Sci Rep 16, 7236 (2026). https://doi.org/10.1038/s41598-026-36490-6

Anahtar kelimeler: öğe tabanlı duygu analizi, graf sinir ağları, dönüştürücü dikkati, görüş madenciliği, doğal dil işleme