Multilingual IT support tickets classification via applying deep learning-based topic modeling techniques
Derin öğrenme bazlı konu modelleme tekniklerinin uygulanması ile çoklu dilde bilgi teknolojileri destek talep biletlerinin sınıflandırılması
- Tez No: 1024602
- Danışmanlar: DR. ÖĞR. ÜYESİ ŞAZİYE BETÜL ÖZATEŞ
- 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: Boğaziçi Üniversitesi
- Enstitü: Veri Bilimi ve Yapay Zeka Enstitüsü
- Ana Bilim Dalı: Veri Bilimi ve Yapay Zeka Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kullanıcı taleplerinin doğru sınıflandırılması, yüksek hacimde yazılım destek talebi alan işletmelerde etkin bilgi teknolojileri (BT) destek yapısının önemli bir bileşenidir. İlk seviye destek sürecinde taleplerin sınıflandırılması çoğunlukla manuel gerçekleştirilirken, derin öğrenme ve önceden eğitilmiş dil modellerine dayalı yaklaşımlar alternatif çözüm sunmaktadır. Çok dilli veriler, sınıf dengesizliği, anonimleştirme ve çok sayıda hedef sınıf, otomatik sınıflandırmada önemli zorluklar oluşturmaktadır. Bu çalışmada, alana özgü ve çok dilli BT destek taleplerinin sınıflandırılması için denetimli ve denetimsiz doğal dil işleme yaklaşımları incelenmiştir. Veri kümesi, sınıf dengesizliği ve anonimleştirme içeren gerçek dünya taleplerinden oluşmaktadır. TF-IDF ile geleneksel makine öğrenmesi sınıflandırıcıları, SentenceBERT ve Gemini gömme gösterimleri, önceden eğitilmiş büyük dil modellerinin ince ayarı, kümeleme ve konu modelleme yaklaşımları değerlendirilmiştir. Denetimli deneylerde sınıf dengeleme teknikleri uygulanmıştır. TF-IDF tabanlı XGBoost ve SVM temel modelleri sırasıyla %53,87 ve %53,91 macro-F1 değerlerine ulaşırken, DeBERTa-v3-large özgün on sınıflı görevde %57,21 macro-F1 elde etmiştir. Konu bazlı olarak benzer sınıfların birleştirilmesiyle görevin altı sınıfa indirgenmesi, DeBERTa-v3-large performansını \%71,62 macro-F1 değerine yükseltmiştir. TF-IDF ve Gemini gömme gösterimlerinin küme uzaklığı özellikleriyle birleştirildiği çoklu görünüm yaklaşımı ise XGBoost'un %71,12 macro-F1 elde etmesini sağlamış ve daha kısa eğitim süresiyle DeBERTa-v3-large performansına yaklaşmıştır. Sonuçlar, metinsel gösterimler ve denetimsiz yapısal özelliklerin birlikte kullanımının çok dilli BT destek sınıflandırmasındaki potansiyelini göstermektedir.
Özet (Çeviri)
Accurate classification of user requests is an important component of effective information technology (IT) support, particularly in enterprises handling large volumes of software-related requests. While first-level support commonly relies on manual classification, automated approaches based on deep learning and pre-trained language models offer a potential alternative. However, multilingual data, class imbalance, anonymization, and numerous target classes present challenges for automated classification. This study investigates supervised and unsupervised natural language processing approaches for classifying domain-specific, multilingual IT support tickets. The dataset comprises real-world requests characterized by substantial class imbalance and anonymization. Evaluated approaches include TF-IDF with traditional machine learning classifiers, SentenceBERT and Gemini embeddings, fine-tuning of pre-trained large language models, and unsupervised clustering and topic modeling. Class balancing techniques are applied throughout the supervised experiments. TF-IDF-based XGBoost and SVM baselines achieve macro-F1 scores of 53.87% and 53.91%, respectively, while DeBERTa-v3-large achieves 57.21% on the original ten-class task. Consolidating domain-specific similar classes reduces the task to six classes and increases DeBERTa-v3-large performance to 71.62% macro-F1. A multi-view approach combining TF-IDF and Gemini embeddings with cluster-distance features enables XGBoost to achieve 71.12% macro-F1, approaching DeBERTa-v3-large while requiring less training time. These results demonstrate the potential of heterogeneous textual representations and unsupervised structural features for efficient multilingual support-ticket classification.
Benzer Tezler
- Kültür turizmi kapsamında çağdaş sanat müzelerinin değerlendirilmesi: İstanbul örneği
Evaluation of contemporary art museums within the scope of cultural tourism: The case of Istanbul
RAGIP UÇAK
Doktora
Türkçe
2025
MüzecilikAydın Adnan Menderes ÜniversitesiTurizm İşletmeciliği Ana Bilim Dalı
PROF. DR. GÜL ERBAY ASLITÜRK
- Multilingual dynamic linking of web resources
Web kaynaklarının çok dilli dinamik bağlanmaları
UĞUR DÖNMEZ
Yüksek Lisans
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET COŞAR
YRD. DOÇ. DR. YELİZ YEŞİLADA
- Multilingual writers of Prague in world literature
Prag'ın çok dilli yazarlarının dünya edebiyatındaki yeri
NAZLIHAN SÜLEYMANOĞLU
Yüksek Lisans
İngilizce
2019
İngiliz Dili ve EdebiyatıYeditepe Üniversitesiİngiliz Dili ve Edebiyatı Ana Bilim Dalı
DOÇ. DR. CHARLES DANİEL SABATOS
- Exploring the use of translanguaging to support migrant students' integration into Türkiye's mainstream K-12 education
Türkiye'deki göçmen öğrencilerin devlet okullarındaki eğitime entegrasyonunu desteklemek için diller arası geçişlilik kullanımına dair inceleme eğitim programları ve öğretim yüksek lisans programı
ANNELIE YVONNE JOHNSON
Yüksek Lisans
İngilizce
2025
Eğitim ve Öğretimİhsan Doğramacı Bilkent ÜniversitesiEğitim Programları ve Öğretim Ana Bilim Dalı
DOÇ. DR. ARMAĞAN ATEŞKAN
- English teachers' experiences of multilingual classrooms within two different communities of practice
İngilizce öğretmenlerinin iki farklı uygulama topluluğunda çokdilli sınıf deneyimleri
CAHİT YAŞAR
Yüksek Lisans
İngilizce
2025
Eğitim ve ÖğretimHakkari ÜniversitesiYabancı Diller Eğitimi Ana Bilim Dalı
DOÇ. DR. ZEYNEP ÖLÇÜ DİNÇER