SavedAdd your journal

Journals / Bilişim Teknolojileri Dergisi / 2018 / Cilt: 11 Sayı: 3

TBMM Genel Kurul Tutanaklarından Yakın Anlamlı Kavramların Çıkarılması

Hüseyin Polat(Gazi Üniversitesi)0000-0003-4128-2625
Mesut Körpe
Pages
235–244
Publication Date
2018-07-31
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu çalışmadan elde edilen sonuçlar TBMM Genel Kurul tutanaklarınd a arama yaparken benzer kavramların anahtar kelime olarak önerilmesi için kullanılacaktır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Yakın anlamlı kavramların bulunması, kavramın bir derlemdeki semantik anlamını yakalamamızı ve kavramın hangi bağlamda kullanıldığını elde etmemizi sağlar.
📊
Key Findings & Data:Bu çalışmada, veri seti olarak TBMM Genel Kurul görüşme tutanakları kullanılmış, Word2vec modeli ve GloVe modeli ile kelime vektörleri çıkarılmıştır.
💡
Conclusion & Impact:Bu çalışmadan elde edilen sonuçlar TBMM Genel Kurul tutanaklarınd a arama yaparken benzer kavramların anahtar kelime olarak önerilmesi için kullanılacaktır.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:kelime vektörü · Word2vec modeli · GloVe modeli

Özet

Yakın anlamlı kavramların bulunması, kavramın bir derlemdeki semantik anlamını yakalamamızı ve kavramın hangi bağlamda kullanıldığını elde etmemizi sağlar. Kelime Uzayı Modeli; anlamsal olarak benzer kelimeleri, vektör uzayında bir birine yakın dağılımla gösteren bir modeldir. Her bir kelimenin bir vektörle temsil edildiği bu modelde oluşan kelime vektörleri kelime yerleştirme (Word Embeddings) olarak adlandırılır. Kelime vektörleri metin analizi gerçekleştiren özellikle yapay sinir ağlarını temel alan Doğal Dil İşleme (DDİ) sistemlerinde girdi olarak kullanılır. Bu çalışmada, veri seti olarak TBMM Genel Kurul görüşme tutanakları kullanılmış, Word2vec modeli ve GloVe modeli ile kelime vektörleri çıkarılmıştır. Elde edilen kelime vektörleri kullanılarak TBMM Genel Kurul tutanaklarında geçen herhangi bir kavrama en yakın anlamlı kavramlar bulunmuştur. Literatürdeki benzer çalışmalarda iki farklı kelime yerleştirme modellerinin bir kavramı tamamen farklı bağlamda değerlendirdiği duruma rastlanılmamıştır. Bu çalışma sonucunda, Word2vec ve GloVe modellerinin çıktılarının bir kavramın farklı bağlamlarda kullanımını bulmak için değerlendirilebileceği görülmüştür. Çalışmada derleme özgü analojilerin her iki modelde de bulunabildiği görülmüştür. Bu çalışmadan elde edilen sonuçlar TBMM Genel Kurul tutanaklarınd a arama yaparken benzer kavramların anahtar kelime olarak önerilmesi için kullanılacaktır.

🔖

Cite This Article

Polat, H., Körpe, M., *, H. P. (2018). TBMM Genel Kurul Tutanaklarından Yakın Anlamlı Kavramların Çıkarılması. Bilişim Teknolojileri Dergisi, Cilt: 11 Sayı: 3, 235–244. https://doi.org/10.17671/gazibtd.402468

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. Z. Harris, “Word Distributional structure”, 23(10),146–162, 1954.
  2. Thomas K. Landauer, Susan T. Dumais, “A solution to Plato’s problem: The latent semantic analysis theory of acquisition, induction, and representation of knowledge”, Psychological Review, 104(2),211–240, 1997.
  3. X. Hu, Z. Cai, P. Wiemer-Hastings, A. Graesser, D. McNamara, Strengths, limitations, and extensions of LSA. Handbook of Latent Semantic Analysis, 401–426,2007.
  4. R. Collobert, J. Weston, “A Unified Architecture for Natural Language Processing: Deep Neural Networks with Multitask Learning”, Proceedings of the 25th International Conference on Machine Learning, Helsinki, Finlandiya,20(1),160–167, 2008.
  5. T Mikolov, K Chen, G Corrado, J Dean, “Efficient estimation of word representations in vector space”, arXiv:1301.3781,2013.
  6. J. Penington, R. Socher, C.D. Manning, “GloVe:Global Vectors for Word Representation”, Emprical Methods in Natural Language Processing (EMNLP),1532-1543,2008.
  7. E. Altszyler, M. Sigman, S. Ribeiro, D. F. Slezak. “Comparative study of LSA vs Word2vec embeddings in small corpora: a case study in dreams database”, arXiv: 1610.01520,2016.
  8. L.O,Goldberg, Y,Dagan, Improving distributional similarity with lessons learned from Word embeddings, Transactions of the Association for Computational Linguistics, v. 3, 211-225, mayıs 2015.
  9. M. Naili, A. H. Chaibi, H. H. B. Ghezala, “Comparative study of word embedding methods in topic segmentation”, Procedia Computer Science, Volume 112, 340-349, 2017.
  10. M. Faruqui, J. Dodge, S. K. Jauhar, C. Dyer, E. Hovy, N. A. Smith,”Retrofitting word vectors to semantic lexicons”, In Proceedings of the 2015 Conference of the North American Chapter of the Association for Computational Linguistics,Colorado,ABD, Human Language Technologies, 1606– 1615, 2015.
  11. G. A. Miller,“Wordnet: a lexical database for english”, Communications of the ACM, 39-41, 1995.
  12. C. F. Baker, C. J. Fillmore, J. B. Lowe. 1998. “The Berkeley FrameNet Project”, Proceedings of the 17th International Conference on Computational Linguistics, Volume 1, Montreal, Quebec, Kanada,86-90,1998.
  13. J. Ganitkevitch, B. Van Durme,, C. Burch,”PPDB: The paraphrase database”, Proceedings of NAACL,758-764,Haziran,2013.
  14. T. Mikolov,I. Sutskever, K. Chen, G. Corrado, J. Dean,”Distributed Representations of Words and Phrases and their Compositionality”, Proceedings of the 26th International Conference on Neural Information Processing Systems,Volume 2,Nevada,ABD,3111-3119,, 2013.
  15. X. Rong. “Word2vec Parameter Learning Explained”, arXiv:1411.2738,2014.
  16. T. Mikolov, W. Yih, G. Zweig,”Linguistic Regularities in Continuous Space Word Representations”, HLT-NAACL, 746-751,2013.