Türkçe metin verilerinde doğal dil işleme ve derin öğrenme yöntemleri ile kredi riski tahmini
Credit risk estimation with Turkish text data using natural language processing and deep learning methods
- Tez No: 1012073
- Danışmanlar: DR. ÖĞR. ÜYESİ DOĞAN YILDIZ
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, bankacılık sektöründe kredi riskinin yönetimine katkı sağlamak amacıyla, Türkçe çağrı merkezi telefon görüşmelerinden elde edilen metin verilerinin analiz edilmesini hedeflemektedir. Çalışmada, müşterilerin verdikleri ödeme taahhütlerini yerine getirip getirmeyeceklerinin tahmin edilmesi amaçlanmış, bu doğrultuda çağrı merkezi konuşmaları, yapılandırılmamış bir veri kaynağı olarak ele alınmıştır. Analiz sürecinde, konuşmadan metne dönüştürme (speech-to-text) teknolojileri kullanılarak metne dönüştürülen konuşmalar üzerinde kapsamlı bir veri temizliği ve ön işleme süreci uygulanmıştır. Metinlerin sayısal temsile dönüştürülmesinde doğal dil işleme (NLP) tekniklerinden yararlanılmış, modelleme aşamasında 3 farklı metin gömme (embedding) yöntemi ile iki katmanlı Long Short-Term Memory (LSTM) mimarisi kullanılmıştır. Elde edilen bulgular, ödeme taahhütlerini yerine getirmeyen müşterilerin konuşmalarında finansal zorluklara, sağlık veya ailevi nedenlere ilişkin ifadelerin daha sık yer aldığını, ek olarak güven tesis etmeye yönelik belirli söylem kalıplarının öne çıktığını göstermektedir. Bu sonuçlar, çağrı merkezi konuşmalarından elde edilen metin verilerinin, müşterilerin ödeme davranışlarına ilişkin sinyaller sunabildiğine işaret etmektedir. Çalışma, Türkçe çağrı merkezi verileri üzerinde farklı metin temsil yaklaşımlarının uygulanabilirliğini ortaya koymakta ve yapılandırılmamış metin verilerinin kredi riski tahmin modellerine entegre edilmesinin potansiyel faydalarını göstermektedir. Ayrıca geliştirilen yaklaşımın, kredi riski tahmin doğruluğunu artırmanın yanı sıra, çağrı merkezi süreçlerinin daha etkin yönetilmesine katkı sağlayabileceği değerlendirilmektedir. Gelecek çalışmalarda, veri temizleme süreçlerinin otomatikleştirilmesi ve konuşmadan metne dönüştürme teknolojilerinin geliştirilmesiyle model performansının iyileştirilmesi hedeflenebilir.
Özet (Çeviri)
This thesis aims to analyze text data obtained from Turkish call center telephone conversations in order to contribute to the management of credit risk in the banking sector. The study aims to predict whether customers will fulfill their payment commitments, and call center conversations are treated as an unstructured data source. During the analysis process, speech-to-text technologies were used to convert the conversations into text, and a comprehensive data cleaning and preprocessing process was applied. Natural language processing (NLP) techniques were used to convert the texts into numerical representations, and a two-layered Long Short-Term Memory (LSTM) architecture with 3 different embedding methods was used in the modeling phase. The findings show that customers who do not fulfill their payment commitments more frequently mention financial difficulties, health, or family reasons in their conversations, and that certain discourse patterns aimed at building trust are prominent. These results indicate that text data obtained from call center conversations can provide signals regarding customers' payment behavior. This study demonstrates the applicability of different text representation approaches to Turkish call center data and shows the potential benefits of integrating unstructured text data into credit risk prediction models. Furthermore, it is assessed that the developed approach can contribute to more efficient management of call center processes, as well as increasing the accuracy of credit risk prediction. Future studies could aim to improve model performance by automating data cleaning processes and developing speech-to-text conversion technologies.
Benzer Tezler
- Metin madenciliği ve derin öğrenme yöntemleri kullanılarak borsadaki hareketlerin sosyal medya ile ilişkisinin analiz edilmesi
Analyzing the relationship between stock market movements and social media using text mining and deep learning methods
METİN OKTAY BOZ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ JALE BEKTAŞ
- Derin sinir ağı yöntemleri ile Wikipedia toksik yorum sınıflandırması
Wikipedia toxic comment classification via deep neural networks
METE ÖZDEMİR
Yüksek Lisans
Türkçe
2021
İstatistikGiresun Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ ZAFER DALAR
- Derin öğrenme yöntemleriyle evrak sınıflandırılması
Classification of documents by deep learning methods
GÖZDE DEMİREL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. RECEP ERYİĞİT
- Geleneksel makine öğrenimi ve derin öğrenme modelleri ile Türkçe metin sınıflandırmada kelime temsil yöntemlerinin etkisi
The effect of word representation methods on Turkish text classification with traditional machine learning and deep learning models
NİHAL DUMAN SUNA
- Türkçe için sahte haber tespit modelinin oluşturulması
A fake news detection model for Turkish language
UĞUR MERTOĞLU
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURKAY GENÇ
PROF. DR. HAYRİ SEVER