Graph-aware fraud detection in review platforms via layered feature engineering

Katmanlı graf-tabanlı özellik türetme ile inceleme platformlarında sahtekarlık tespiti

PDF İndir

Tez No: 1017123
Yazar: MEHMET ALİ HAN TUTUK
Danışmanlar: PROF. DR. ŞERİF BAHTİYAR
Tez Türü: Yüksek Lisans
Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2026
Dil: İngilizce
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Lisansüstü Eğitim Enstitüsü
Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
Sayfa Sayısı: Belirtilmemiş.

Özet

Çevrimiçi inceleme platformları, kullanıcıların ürün ve hizmet tercihlerinde başvurdukları temel bilgi kaynaklarından biri haline gelmiştir. Bu platformlardaki yorumlar ve derecelendirmeler, hem son kullanıcıların platform içindeki bireysel kararlarını hem de bu sinyalleri kullanarak modellenen öneri sistemlerinin çıktılarını doğrudan etkilemektedir. Bu güçlü etki, aynı zamanda söz konusu platformları manipülasyona açık hale getirmektedir. Sahte yorumlar, ücretli övgü yazıları ve yapay derecelendirme dağılımları, belirli ürünleri öne çıkarmak veya zayıflatmak amacıyla sistematik biçimde üretilmekte; ortaya çıkan yanlılık hem kullanıcı kararlarına hem de bu sinyaller üzerinden çalışan öneri sürecine taşınmaktadır. Söz konusu manipülasyon, kullanıcı güvenini aşındırmasının yanında, geçmiş etkileşim verisine dayanan öneri pipeline'larının da girdi kalitesini doğrudan bozmaktadır. Bu tez, sahte yorum tespiti problemini, inceleme grafları üzerinde tanımlanmış bir öğrenme görevi olarak ele almaktadır. Sahtekarlık tespitini zorlaştıran temel etken, sahte yorumların yapısal niteliğidir. Sahte bir yorum çoğu zaman tek başına ortaya çıkmamaktadır. Sahtekarlık hesapları aynı ürünleri hedef almakta, dar zaman aralıklarında yoğunlaşmakta ve birbirine benzer derecelendirme örüntüleri üretmektedir. Bu davranışlar bazen birkaç hesabın eş zamanlı hareketinden, bazen ise bir grubun planlı koordinasyonundan kaynaklanmaktadır; ayrıca bir kısım sahte yorumcu, davranışını gerçek kullanıcılarınkine benzeterek görünür sinyalleri zayıflatmaktadır. Bu tür örüntüler ancak yorumlar birbirleriyle ilişki içinde değerlendirildiğinde belirgin hale gelmekte, izole edilmiş kayıtlar üzerinden okunduklarında gözden kaçmaktadır. Bu davranışın doğal temsili, yorumların, kullanıcıların ve ürünlerin paylaşılan hedefler, ortak derecelendirmeler ve zaman damgaları üzerinden bağlandığı çok ilişkili bir graf yapısıdır. Bu temsilde bir yorumun ilişkisel konumu, yorum düzeyindeki hiçbir özniteliğin tek başına taşıyamayacağı bir bilgi içermekte; iki ya da daha fazla yorum arasındaki bağlantı kalıpları, sahtekarlık tespiti için belirleyici bir sinyal kaynağı haline gelmektedir. Bu probleme yönelik son dönem literatürdeki baskın çözüm, inceleme grafını uçtan uca tüketen graf sinir ağlarıdır. Graf konvolüsyon katmanları, dikkat mekanizmaları ve ilişkiye özgü mesaj iletme mimarileri üzerine kurulu yaklaşımlar, standart sahte yorum karşılaştırma veri kümelerinde tutarlı performans iyileşmeleri sağlamıştır. Ancak bu yöntemlerin hesaplama maliyeti yüksek olabilmektedir. Uçtan uca graf sinir ağı eğitimi, hem düğüm sayısı hem de ilişki sayısı arttıkça pratik olmaktan çıkmaktadır. Bu maliyeti düşürmek için kullanılan komşuluk örnekleme, alt-graf kümeleme ve toplu mesaj iletme gibi teknikler ise grafın asıl kullanılma nedeni olan ilişkisel sinyalin bir kısmını kaybetmektedir; özellikle çok ilişkili graflar üzerinde tek bir mesaj iletme katmanının maliyeti, ilişki sayısı arttıkça doğrusalın üzerinde artmaktadır. Bu ikilem, özellikle büyük ölçekli inceleme veri kümelerinde belirgin biçimde ortaya çıkmaktadır; bu ölçeklerde yayımlanmış graf sinir ağı modellerinin orijinal protokolleri altında çalıştırılması artık pratik değildir. Sonuç olarak, ilişkisel bilgiyi kullanmaya devam ederken hesaplama yükünü düşüren alternatif tasarımlara ihtiyaç doğmaktadır. Bu tez farklı bir tasarım yaklaşımını izlemektedir. Graf sinir ağına grafı uçtan uca işletmek yerine, ilişkisel sinyal graf yapısından çıkarılarak tablosal bir sınıflandırıcının özellik uzayına aktarılmaktadır. Düğüm düzeyindeki öznitelikler üzerine üç katmanlı bir hiyerarşi inşa edilmektedir. Birinci katman, yorum-, metin- ve kullanıcı-temelli tablosal özniteliklerden oluşan ve hiçbir komşuluk bilgisi içermeyen temel düğüm katmanıdır. İkinci katman, aynı özniteliklerin yerel graf komşulukları üzerinden ortalanmasıyla elde edilen komşuluk katmanıdır; bu katman, bir yorumun çevresindeki yorumların ortalama davranışını tek bir vektör olarak özetlemektedir. Üçüncü katman, ilişki başına kenar sayılarını ekleyen yapısal katmandır; her ilişki türü için bir sayım üreterek bağlantı yoğunluğunu açık bir biçimde temsil etmektedir. Komşuluk katmanı, ilgili veri kümesinde tanımlı ilişki katmanları üzerinden hesaplanmaktadır; bu katmanlar kullanıcı-temelli (aynı kullanıcının tekrar eden yorumları), hedef-temelli (aynı ürün etrafında yoğunlaşan davranış), zamansal (dar zaman aralıklarında biriken aktivite) ve derecelendirme-temelli (benzer derecelendirme örüntüleri) örüntüleri ile bunların birleşimlerini kapsamaktadır. Tespit aşaması ise gradyan-yükseltmeli karar ağacı sınıflandırıcılarıyla (XGBoost, LightGBM) gerçekleştirilmekte; her bir yorum için temel, komşuluk ve yapısal katmanların birleştirilmesiyle elde edilen özellik vektörü bu sınıflandırıcılara doğrudan girdi olarak verilmektedir. Üç katmanlı hiyerarşinin tasarımı, her katmanın kendi başına ne kattığının ölçülebilir olmasını da sağlamaktadır; çünkü temel ile komşuluk arasındaki fark yalnızca yerel komşuluk katkısını, komşuluk ile tam katman arasındaki fark ise yalnızca yapısal sayım katkısını yansıtmaktadır. Önerilen hiyerarşi iki graf öğrenme karşılaştırma veri kümesi (YelpChi ve Amazon) ve ham veriden inşa edilen iki büyük ölçekli veri kümesi (YelpZip ve YelpNYC) üzerinde değerlendirilmektedir. YelpChi 45.954 yorum düğümü ve %14,53 sahtekarlık oranıyla yorum-düzeyinde bir karşılaştırma kümesidir; Amazon ise 11.944 kullanıcı düğümü ve %6,87 sahtekarlık oranıyla kullanıcı-düzeyinde bir karşılaştırma sunmakta ve her ikisi de literatürde yaygın biçimde kullanılan referans noktalarıdır. YelpZip ve YelpNYC ise başlangıçta graf öğrenme veri kümesi olarak yayımlanmamış olup graf yapısı bu tez kapsamında ham yorum kayıtlarından, kullanıcı, hedef, zaman ve derecelendirme alanları üzerinden inşa edilmiştir; bu iki veri kümesinin ölçeği sırasıyla 608.598 ve 359.052 yorum düğümüne ulaşmakta, sahtekarlık oranları ise %13,22 ve %10,27 düzeyinde gerçekleşmektedir. Bu büyük ölçekli graflar üzerinde değerlendirme tam graf seviyesinde değil, sahte yorum literatüründeki yapısal saldırı örüntülerinden türetilmiş sekiz vekil alt küme üzerinde gerçekleştirilmektedir; böylece değerlendirme yüzeyi, hazır karşılaştırma kümelerinin sunduğu yapısal koşulların ötesine genişletilmektedir. Tüm dört veri kümesi üzerinde sabit bir 40/20/40 eğitim/doğrulama/test bölünmesi uygulanmaktadır; bu bölünme, CARE-GNN ve SplitGNN tarafından kullanılan konvansiyonu izlemekte ve karşılaştırmaları protokol düzeyinde hizalamaktadır. Ön-işleme tarafında ise iki giriş dönüşümü (RAW ve CDF), iki örnekleme rejimi (SMOTE'lu ve SMOTE'suz) ve dört pozitif sınıf ağırlığı değeri olmak üzere on altı rejimli bir tarama tek tip biçimde uygulanmakta; her bir rejim, ayrı bir hiperparametre ızgarası altında değerlendirilmektedir. Bu sayede katmanlı temsilin katkısı, ön-işleme tercihlerinin etkisinden ayrı olarak değerlendirilebilmektedir. Karşılaştırma veri kümeleri üzerinde Tam katman, YelpChi'de F1-macro 0,8989, AUC 0,9709, GMean 0,8847 ve Recall 0,8016 değerlerine ulaşmaktadır. Amazon üzerinde aynı katman F1-macro 0,9347, AUC 0,9875, GMean 0,9211 ve Recall 0,8541 değerlerini elde etmektedir. Bu sonuçlar, F1-macro metriği üzerinde SplitGNN referans modelinin sırasıyla 0,7403 ve 0,7352 değerlerinin önündedir; AUC ve GMean metriklerinde de tutarlı kazanımlar sağlanmıştır. Recall tarafında YelpChi için elde edilen 0,8016 değeri, BWGNN, H2-FDetector ve SplitGNN modellerinin 0,8256 ile 0,8577 aralığında raporladığı değerlerin altında kalmakta; ancak Tam katmanın hata profili, 15.711 yasal yorum içerisinde 370 yanlış alarm üreterek genel sınıf üzerinde %2,36'lık bir yanlış alarm oranı sergilemektedir. Amazon tarafında aynı oran %0,67 düzeyindedir. Katmanlı yapının sağladığı iyileşme tek bir uygun yapılandırmaya bağlı kalmamaktadır: Base < Nbr < Full sırasında F1-monotonik artış YelpChi'de 160/160 satırda ve Amazon'da 111/160 satırda gerçekleşmekte; birincil 10-tohumlu testte uygulanan Wilcoxon işaretli sıralar testleri ise altı veri kümesi-geçiş çiftinin tamamında katmanlı yönü p ≤ 0,010 düzeyinde, beş çiftte p < 0,001 düzeyinde doğrulamaktadır. Buna ek olarak iki veri kümesi, kazanımı farklı adımlarda barındırmaktadır. Amazon'da iyileşmenin neredeyse tamamı komşuluk katmanından gelmekteyken (F1 farkı +1,56 puana karşı +0,09 puan), YelpChi'de yapısal katman komşuluk adımının üzerine 5,81 puanlık ek bir Recall artışı eklemektedir. İnşa edilen veri kümeleri, bu genel sonucu yapısal aileye göre ayrıştırmaktadır. İnşa edilen graflar üzerinde, sahte yorum literatüründeki yapısal saldırı örüntülerinden türetilmiş sekiz saldırı-farkındalı vekil alt küme tanımlanmıştır: aynı ürünü hedef alan eş-zamanlı yoğunlaşma ve zamansal patlamalar etrafında şekillenen koordinasyon-temelli aileler, ortak kullanıcı ve yerel-yoğun sahtekarlık bölgeleri üzerinden tanımlanan bağlantı- ve yoğunluk-temelli aileler ve gerçek kullanıcı baskın komşuluklara gömülü sahte hesapları hedefleyen kamuflaj ailesi. Base'den Full'e F1 kazancı koordinasyon-temelli ailelerde belirgin biçimde yüksek seyrederken, bağlantı- ve yoğunluk-temelli ailelerde daha küçük ancak tutarlı değerlerde kalmakta ve kamuflaj rejiminde ise mutlak skorlar diğer ailelerin belirgin biçimde altında seyretmektedir. RSR-hibrit ailesi ayrıca iki inşa edilen veri kümesinde de Base → Nbr geçişinin tek yönlü Wilcoxon testinden geçmediği bir örüntü ortaya koymaktadır (YelpZip için p = 0,967, YelpNYC için p = 0,702); aynı aile yapısal katmandan ise belirgin biçimde yararlanmaktadır. Sonuç olarak baskın katman, sahtekarlığın altındaki yapısal forma göre değişmekte ve katmanlı hiyerarşi bu bağımlılığı metrik düzeyinde ölçülebilir biçimde ortaya koymaktadır. Çalışmanın belirli sınırlamaları doğrudan tasarım tercihlerinden kaynaklanmaktadır. Tez yalnızca tespit metriklerini raporlamakta, eşleştirilmiş donanım üzerinde GNN modelleriyle karşılaştırmalı çalışma süresi veya bellek değerlendirmesi içermemektedir. Bu nedenle önerilen yöntemin hafif olma niteliği her ne kadar mimari olarak desteklense de doğrudan ölçümle kanıtlanmamaktadır. İnşa edilen veri kümeleri üzerinde GNN karşılaştırmaları da bu tezin kapsamına dahil edilmemiştir; literatürde inşa edilen graflar üzerinde rapor edilmiş bir GNN sonucu bulunmadığı için doğrudan karşılaştırma yapılamamış, mevcut yöntemlerin yeniden uygulanarak değerlendirilmesi de tezin kapsamı dışında bırakılmıştır. Bu tercih, daha çok kapsamla ilgili bir karar olup yöntemin kendisine yönelik bir sınırlama olarak değil, ileride doldurulması anlamlı olan bir araştırma boşluğu olarak okunmalıdır. Ayrıca burada ele alınan dört veri kümesi, sabit bir zamansal kesite karşılık gelmektedir; oysa gerçek inceleme platformları, graf yapısı yeni yorumlar geldikçe değişen sürekli akış halindeki veri üretmektedir. Bu durum da çerçevenin gerçek-zamanlı ortamlardaki davranışına dair sorulara şu aşamada cevap vermediği anlamına gelmektedir. Son olarak, inşa edilen veri kümeleri üzerindeki değerlendirme tek bir tohum altında, sabit eşik değerleri, sabit alt-küme boyutu sınırları ve veri kümesinin doğal sahtekarlık oranıyla yürütülmüştür; bu nedenle aileler arası sayısal farkların kesin karşılaştırmalı ölçümlerden çok yapısal bir tanı olarak okunması gerekmektedir. Bu sınırlamalardan üç gelecek araştırma yönü doğmaktadır. Birincisi, eşleştirilmiş donanım ve aynı bölünmeler altında GNN modelleriyle yapılacak çalışma süresi ve bellek karşılaştırmasıdır; bu çalışma çerçevenin hafif olma yönünü doğrudan ölçümle desteklemeyi mümkün kılacak ve mimari tercihin pratik kazancını sayısal düzeyde ortaya koyacaktır. İkincisi, çalışma süresi değerlendirmesi yapıldıktan sonra aynı GNN modellerinin inşa edilen graflar üzerinde çalıştırılmasıdır; bu adım inşa edilen veri kümeleri için karşılaştırmalı temel eksikliğini kapatacak ve önerilen hiyerarşinin büyük ölçekli ortamlardaki konumunu daha net biçimde belirleyecektir. Üçüncüsü, ilişki görünümlerinin sabit bir kesitten yeniden inşa edilmek yerine yeni yorumlar geldikçe güncellendiği akış-temelli veya dinamik graf uzantısıdır; bu yön, çerçeveyi gerçek platformların zamansal dinamiğine yaklaştırmakta ve süreç içinde değişen sahtekarlık örüntülerini yakalama yeteneğini sınamaya açmaktadır. Sonuç olarak bu tez, graf-türetilmiş ilişkisel bilgiyi tablosal bir özellik uzayına aktararak hafif sınıflandırıcılarla işleyen katmanlı bir sahte yorum tespit çerçevesi sunmaktadır. Çerçeve, standart karşılaştırma veri kümelerinde GNN düzeyinde tespit performansına ulaşmakta; aynı zamanda ham veriden inşa edilen büyük ölçekli veri kümeleri üzerinde sahtekarlığın yapısal formuna göre kazanımın nasıl dağıldığını ortaya koymaktadır. Katmanlı hiyerarşinin tasarım amacı, tek bir toplu skor üretmek değil, graf-türetilmiş bilginin hangi yapısal koşullar altında ne ölçüde değerli olduğunu metrik düzeyinde okunabilir hale getirmektir. Bu yönüyle çalışma, sahte yorum tespiti probleminin yalnızca model seçimine değil, aynı zamanda altta yatan yapısal koşullara da bağlı olduğunu somut sayısal kanıtlarla göstermektedir.

Özet (Çeviri)

Online review platforms shape how users choose products, and the same review and rating signals feed the recommender systems that build on top of them. That same influence makes review platforms a target. Attackers write fake reviews, pay for positive ones, and coordinate rating activity to push specific products up or down; this pulls user decisions and the recommenders trained on these signals in the same direction. This thesis treats the detection of such reviews as a learning problem on review graphs. The difficulty is mostly structural. A fraudulent review almost never appears alone. Fraud accounts target the same products, post within narrow time windows, and produce similar rating patterns, and some imitate legitimate reviewer behavior closely enough to mask single-review evidence. These patterns are only visible when reviews are compared against one another. A natural representation for this kind of signal is a graph that links reviews, users, and products through shared targets, ratings, and timestamps. A review's position in this graph encodes information that no review-level feature can express on its own. Most recent work on this problem uses graph neural networks that operate on the review graph directly. Designs based on graph convolution, attention, and relation-specific message passing have produced consistent improvements on the standard review-fraud benchmarks. There is a cost to these improvements. End-to-end GNN training scales poorly in both nodes and relations, and the techniques used to reduce training cost discard part of the same relational signal that motivated the use of graphs. The trade-off becomes acute on the larger review datasets, where running the published GNN baselines under their original protocol is no longer practical at full scale. A different design is followed in this thesis. The relational signal is extracted from the graph and added to the feature space of a tabular classifier, instead of being processed inside an end-to-end graph model. The feature space is built in three levels: a base level that encodes review, text, and user attributes; a neighborhood level that aggregates the same attributes over local graph neighborhoods defined by the relation layers available in each dataset; and a full level that further appends relation-wise edge counts. Classification is then performed by gradient-boosted tree learners (XGBoost, LightGBM) over the resulting feature matrix. The three levels are designed for layer-by-layer comparison. Two graph-learning benchmark datasets, YelpChi (45,954 review nodes) and Amazon (11,944 user nodes), are used together with two larger datasets constructed from raw Yelp metadata, YelpZip (608,598 review nodes) and YelpNYC (359,052 review nodes). The two constructed datasets do not come with a graph; their relational structure is built in this thesis from the user, target, timestamp, and rating fields of the raw review records. A fixed 40/20/40 train/validation/test split and a 16-regime preprocessing sweep are applied uniformly across all four datasets, so the contribution of the layered representation can be read separately from the contribution of preprocessing. On the benchmarks, the Full layer reaches F1-macro 0.8989 on YelpChi and 0.9347 on Amazon, against the SplitGNN reference of 0.7403 and 0.7352 on the same metric, with consistent gains on AUC and GMean as well. Recall on YelpChi is 0.8016, below the 0.8256–0.8577 range reported by BWGNN, H2-FDetector, and SplitGNN; the corresponding false-alarm rate on the genuine class is 2.36%. The layered improvement is not driven by a single favorable configuration: the Base < Nbr < Full F1 ordering holds in 160/160 rows on YelpChi and 111/160 on Amazon, and Wilcoxon signed-rank tests confirm the same direction at p ≤ 0.010 across all six dataset-transition pairs in the primary 10-seed test. The location of the gain differs across datasets. On Amazon, almost all of the improvement comes from the neighborhood layer; on YelpChi, the structural layer adds a further Recall increase above the neighborhood step. The constructed datasets split this overall pattern by structural form. Eight attack-aware proxy subsets are defined on top of the constructed graphs, derived from structural attack patterns in the review-fraud literature: coordination-driven families on shared-target and burst activity, connectivity- and density-driven families on repeated-user relations and locally dense fraud blocks, and a camouflage family on fraud nodes embedded in genuine-dominant neighborhoods. The Base → Full F1 gain reaches several percentage points on the coordination-driven families, stays smaller but consistent on the connectivity- and density-driven ones, and is weakest on the camouflage regime, where absolute scores stay well below the rest of the families. The RSR hybrid family shows a Base → Nbr step that does not clear a one-sided Wilcoxon test on either constructed dataset, while still benefiting from the structural layer. The dominant layer therefore changes with the structural form of the underlying fraud, and the layered hierarchy makes that dependence readable at the metric level. Some limitations follow from the scope of the thesis. Detection metrics are reported, but a matched-hardware runtime and memory benchmark against the GNN baselines is not, so the lightweight side of the framework is supported by architectural choice and not yet by direct measurement. GNN comparisons on the constructed graphs are also outside the scope of the thesis, since there are no published GNN results on these constructed datasets and re-implementing existing GNN methods at this scale was not part of the present work. The four datasets used here also represent a single temporal snapshot, while real review platforms produce continuously arriving reviews. A fourth limitation concerns the constructed-side analysis: the eight proxy subsets are evaluated under a single seed with fixed predicate thresholds, fixed subset-size caps, and the dataset-native fraud-class proportion, so the family-level numbers should be read as a structural diagnosis rather than as precise comparative measurements. Four follow-up studies grow naturally out of these limitations: a matched-hardware runtime and memory benchmark against the GNN baselines under identical splits, running those same GNN baselines on the constructed graphs, a broader subset-level ablation along seed, threshold, cap, and class-balance axes, and a streaming or dynamic-graph extension in which the relation views are updated as new reviews arrive.

Benzer Tezler

Tez No
1005222
Machine learning based fraud detection in digital payment systems
Dijital ödeme sistemlerinde makine öğrenmesi tabanlı sahtekârlık tespiti
MUSTAFA BERK KELEŞ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Gebze Teknik Üniversitesi
Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET GÖKTÜRK
Tez No
291673
An ontology and conceptual graph based best matching algorithm for context-aware applications
Bağlam farkındalıklı uygulamalar için ontoloji ve kavram çizgesi tabanlı en iyi eşleştirme algoritması
REZA KOUSHAEİAN
Yüksek Lisans
İngilizce
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Orta Doğu Teknik Üniversitesi
Bilişim Sistemleri Bölümü
YRD. DOÇ. DR. ALTAN KOÇYİĞİT
Tez No
999801
Context-aware graph neural networks for whole slide image classification
Bütün slayt görüntü sınıflandırması için bağlam duyarlı çizge sinir ağları
MUHAMMET NUSRET ÖZATEŞ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Koç Üniversitesi
Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. ÇİĞDEM GÜNDÜZ DEMİR
Tez No
1016987
Graph-based precedent case recommendation with statute-aware representations for Turkish jurisprudence
Türk hukuku için mevzuat bilgisiyle zenginleştirilmiş vektörler ile çizge tabanlı emsal karar öneri sistemi
MUSTAFA MERT KÖSE
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Orta Doğu Teknik Üniversitesi
Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FEHİME NİHAN ÇİÇEKLİ
Tez No
385058
A graph based collaborative and context aware recommendation system for TV programs
Televizyon programları için çizge tabanlı işbirlikçi ve bağlam duyarlı öneri sistemi
EMRAH ŞAMDAN
Yüksek Lisans
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Orta Doğu Teknik Üniversitesi
Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FEHİME NİHAN ÇİÇEKLİ

Geri Dön