Evaluation of Feedback Effectiveness in the Gaming Sector Using Word Spaces and Deep Learning Algorithms

Mert Yavaş; Mansur Alp Toçoğlu; Emre Şatır

Makale detayları

Evaluation of Feedback Effectiveness in the Gaming Sector Using Word Spaces and Deep Learning Algorithms

Yazarlar:

Mert Yavaş | Mansur Alp Toçoğlu | Emre Şatır

Yayıncı:

Dokuz Eylul University

Ana Başlıklar:

Bilgisayar Görüşü ve Çoklu Ortam Hesaplama (Diğer)

Dergi:

Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Vol.27 Issue 81, pp.421-429

Belge Tipi:

Makale

Yayın Tarihi:

9/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001358747

pISSN:

1302-9304

Anahtar kelimeler:

Özet:

 The aim of this study is to examine the effectiveness of feedback such as comments, reviews and recommendations from a specific domain such as the gaming industry by comparing them to posts with a wider range of topics. The data collected from open-source platforms are used to create 24 different word spaces with vector sizes of 50, 100, 150, 200, 250, and 300 using Word2Vecs CBOW and Skip-Gram methods. 14,769 game reviews from the Steam platform, labeled as Recommended or Not Recommended, are analyzed with deep learning algorithms LSTM, RNN and GRU. In the study, recommendation analysis is performed by applying various deep learning algorithms on the labeled data obtained by data scraping method and the success scores of different word spaces and deep learning approaches are compared. The scores obtained from the experiments reveal that reviews from a specific domain such as the gaming industry yield more meaningful results than general content. In particular, it is observed that the GRU algorithm shows the highest success with 80.16 accuracy, 80.21 precision, 80.00 recall and 80.02 F1 score in the Skip-Gram word space with 250 vector size. It is thought that these findings contribute to the analysis of gaming industry feedback by evaluating the performance of deep learning algorithms on different word spaces. The study emphasizes the practical value of contextual analysis and deep learning techniques for specific domains such as the gaming industry.

 The aim of this study is to examine the effectiveness of feedback such as comments, reviews and recommendations from a specific domain such as the gaming industry by comparing them to posts with a wider range of topics. The data collected from open-source platforms are used to create 24 different word spaces with vector sizes of 50, 100, 150, 200, 250, and 300 using Word2Vecs CBOW and Skip-Gram methods. 14,769 game reviews from the Steam platform, labeled as Recommended or Not Recommended, are analyzed with deep learning algorithms LSTM, RNN and GRU. In the study, recommendation analysis is performed by applying various deep learning algorithms on the labeled data obtained by data scraping method and the success scores of different word spaces and deep learning approaches are compared. The scores obtained from the experiments reveal that reviews from a specific domain such as the gaming industry yield more meaningful results than general content. In particular, it is observed that the GRU algorithm shows the highest success with 80.16 accuracy, 80.21 precision, 80.00 recall and 80.02 F1 score in the Skip-Gram word space with 250 vector size. It is thought that these findings contribute to the analysis of gaming industry feedback by evaluating the performance of deep learning algorithms on different word spaces. The study emphasizes the practical value of contextual analysis and deep learning techniques for specific domains such as the gaming industry.

 The aim of this study is to examine the effectiveness of feedback such as comments, reviews and recommendations from a specific domain such as the gaming industry by comparing them to posts with a wider range of topics. The data collected from open-source platforms are used to create 24 different word spaces with vector sizes of 50, 100, 150, 200, 250, and 300 using Word2Vecs CBOW and Skip-Gram methods. 14,769 game reviews from the Steam platform, labeled as Recommended or Not Recommended, are analyzed with deep learning algorithms LSTM, RNN and GRU. In the study, recommendation analysis is performed by applying various deep learning algorithms on the labeled data obtained by data scraping method and the success scores of different word spaces and deep learning approaches are compared. The scores obtained from the experiments reveal that reviews from a specific domain such as the gaming industry yield more meaningful results than general content. In particular, it is observed that the GRU algorithm shows the highest success with 80.16 accuracy, 80.21 precision, 80.00 recall and 80.02 F1 score in the Skip-Gram word space with 250 vector size. It is thought that these findings contribute to the analysis of gaming industry feedback by evaluating the performance of deep learning algorithms on different word spaces. The study emphasizes the practical value of contextual analysis and deep learning techniques for specific domains such as the gaming industry.

 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, Word2Vecin 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.

Makale detayları

Evaluation of Feedback Effectiveness in the Gaming Sector Using Word Spaces and Deep Learning Algorithms

Yazarlar:

Mert Yavaş | Mansur Alp Toçoğlu | Emre Şatır

Yayıncı:

Dokuz Eylul University

Ana Başlıklar:

Bilgisayar Görüşü ve Çoklu Ortam Hesaplama (Diğer)

Dergi:

Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Vol.27 Issue 81, pp.421-429

Belge Tipi:

Makale

Yayın Tarihi:

9/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001358747

pISSN:

1302-9304

Text mining

Word space

Deep learning

Feedback analysis

Data scraping

Natural language processingMetin madenciliği

Kelime uzayı

Derin öğrenme

Geri bildirim analizi

Veri kazıma

Doğal dil işleme

Sayı

Makale detayları

Yazarlar: Mert Yavaş | Mansur Alp Toçoğlu | Emre Şatır

Yayıncı: Dokuz Eylul University

Ana Başlıklar: Bilgisayar Görüşü ve Çoklu Ortam Hesaplama (Diğer)

Dergi: Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Vol.27 Issue 81, pp.421-429

Belge Tipi: Makale

Yayın Tarihi: 9/2025

Belge Dili: Türkçe

Document ID (Org No.): 2001358747

pISSN: 1302-9304

Sayı

Yazarlar:

Mert Yavaş | Mansur Alp Toçoğlu | Emre Şatır

Yayıncı:

Dokuz Eylul University

Ana Başlıklar:

Bilgisayar Görüşü ve Çoklu Ortam Hesaplama (Diğer)

Dergi:

Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Vol.27 Issue 81, pp.421-429

Belge Tipi:

Makale

Yayın Tarihi:

9/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001358747

pISSN:

1302-9304