Dergiler / Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi / 2015 / Cilt: 15 - Sayı: 3

Türkçe Tümce Çözümlemede Vektör Yaklaşımı

Vectorial Approach For Analysing Turkish Sentence

Sayfa
275–285
Yayın Tarihi
2022-10-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Çalışmamızda, tümcedeki temel dilbilgisi ve anlamsal yanlışları saptamak için yüklemi temel alan yeni bir yöntem önerilmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Tümcenin anlamsal ve dilbilgisi açısından çözümlenmesi Doğal Dil İşleme (DDİ)nin ana konulardan biridir.
📊
Temel Bulgular & Veri:Çalışmamızda, tümcedeki temel dilbilgisi ve anlamsal yanlışları saptamak için yüklemi temel alan yeni bir yöntem önerilmektedir.
💡
Sonuç & Katkı:Bu saptamalardan yola çıkarak çalışmamızda, tümcelerin öbekleri bulunmuş; her bir öbeğin hangi kavramla ilişkili olduğu belirlenmiş ve tümcenin dilbilgisi çözümlemesini ve anlam çözümlemesini yapan bir model tasarlanmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Tümcenin anlamsal ve dilbilgisi açısından çözümlenmesi Doğal Dil İşleme (DDİ)nin ana konulardan biridir. Çalışmamızda, tümcedeki temel dilbilgisi ve anlamsal yanlışları saptamak için yüklemi temel alan yeni bir yöntem önerilmektedir. Türkçe tümcede yüklem özne ve zaman bilgisi içerir. Ayrıca yüklem, o tümcenin hangi öbeklerden oluşabileceği konusunda da belirleyicidir. Örneğin, büyümek yüklemi tümce içinde nesne almazken, ‐de ekiyle biten dolaylı tümleç öbeğini alır. Yüklem ayrıca her bir öbeğin içereceği kavram hakkında da bilgi içermektedir. Örneğin düşünmek yüklemi insanlara özgüdür. Dolayısıyla özne olarak insan kavramıyla ilişkilidir. Bu saptamalardan yola çıkarak çalışmamızda, tümcelerin öbekleri bulunmuş; her bir öbeğin hangi kavramla ilişkili olduğu belirlenmiş ve tümcenin dilbilgisi çözümlemesini ve anlam çözümlemesini yapan bir model tasarlanmıştır.

Abstract

The grammatical and semantic analysis of the sentence is one of the main subjects of Natural Language Processing (NLP). In this paper, we present a novel method to detect basic grammatical and semantic disorders by concentrating on the predicate. In Turkish, the predicate includes information about the subject and tense. The predicate also helps identify the phrases which make up the sentence. For example, büyümek (to grow) does not take an object, but it can take a locative phrase ending with the suffix ‐de . The predicate is also informative about the semantic concept of a phrase. For exampledüşünmek (to think) is specifically an action performed by a human, so the subject will be related with the concept of a human. With these properties considered, a model has been designed to find phrases in a sentence, identify their relations to specific concepts, and analyze the sentences grammatically and semantically.

🔖

Bu Makaleye Atıf Yap

DÖNMEZ, İ., ADALI, E. (2022). Türkçe Tümce Çözümlemede Vektör Yaklaşımı. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 15 - Sayı: 3, 275–285. https://ajindex.com/articles/428702

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (3)

  1. Dilsiz, S., 2015. Bulanık mantık ve yapay sinir ağları ile Türkçe yazım denetleyicisi. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
  2. Eryiğit, G., 2014. İTÜ Turkish NLP web service. EACL 2014, 1. Felice, M., et al., 2014. Grammatical error correction using hybrid systems and type filtering. CoNLL‐2014, 15‐16. Lee, K. and Lee, G. G., 2014. POSTECH Grammatical Error Correction System in the CoNLL‐2014 Shared Task. CoNLL‐2014, 65. Ng, H. T., et al., 2014. The conll‐2013 shared task on grammatical error correction. In Proceedings of the Eighteenth Conference on Computational Natural Language Learning: Shared Task, 1‐12. Wang, Y., et al., 2014. Factored statistical machine translation for grammatical error correction. CoNLL‐ 2014, 83. Aygül, M., Karaalioğlu, G. and Amasyalı, M. F., 2014. Prediction of function tags of the simple Turkish sentences by conditional random fields. Sigma, 32, 23‐30. Isguder, G. G. and Adali, E., 2014. A pilot study on automatic inference rule discovery from Turkish text. In Application of Information and Communication Technologies, 1‐5. Cambria, E., et al., 2013. Big social data analysis. Big data computing, 401‐414. Ehsan, N. and Faili, H., 2013. Grammatical and context‐sensitive error correction using a statistical machine translation framework. Software: Practice and Experience, 43, 187‐206. Procter, R., Vis, F. and Voss, A., 2013. Reading the riots on Twitter: methodological innovation for the analysis of big data. International Journal of Social Research Methodology, 16, 197‐214. Haaparanta, L. and Hintikka, J., 2012. Frege synthesized: essays on the philosophical and foundational work of Gottlob Frege. Springer Science & Business Media, Vol. 181. Chodorow, M., et al., 2012. Problems in Evaluating Grammatical Error Detection Systems. COLING, 611‐ 628. Doğan, S. and Karaağaç, G., 2012. Dilbilgisel Bağdaşmazlık ve Anlamsal Tutarsızlık. İstanbul Aydın Üniversitesi Dergisi, 16, 25‐ 42. Amasyalı, M. F., 2012. Kavramlar Arası Anlamsal İlişkilerin Türkçe Sözlük Tanımları Kullanılarak Otomatik Olarak Çıkartılması. EMO Bilimsel Dergi, 1, 1‐14. Kurumu, T. D., 2010. Büyük Türkçe sözlük. TDK. Ankara.
  3. Bentivogli, L., et al., 2009. The fifth pascal recognizing textual entailment challenge. Proceedings of TAC, 9, 14‐24. Demirgüneş, S., 2008. Türkçedeki Zaman Belirteçlerinin Sınıflaması ve Dökümü Üzerine Bir Deneme Çalışması. Turkish Studies, 2, 278‐293. Padó, S., et al., 2008. Deciding entailment and contra