Akademik makale öneri sistemi
Academic article recommender system
- Tez No: 816203
- Danışmanlar: DR. ÖĞR. ÜYESİ SİNEM BOZKURT KESER
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 91
Özet
Bilgi teknolojilerindeki ilerlemeler ve bilimsel gelişmeler ile her yıl araştırmacılar tarafından binlerce yayın yayınlanmaktadır. Katlanarak artan bilgi miktarı nedeniyle ilgili akademik dokümanlara çevrimiçi olarak erişmek zor ve zaman alıcı bir süreç haline gelmektedir. Öneri sistemleri bu tür sorunların çözümünde yaygın kullanılmaktadır. Öneri sistemleri, araştırmacıların tercihleri doğrultusunda gerekli bilgileri içeren dokümanları sunmak için geliştirilmiştir. Bunlar, büyük veri havuzlarındaki bilgilerden faydalı içeriği filtreleyen ve kullanıcı için en anlamlı ve ilgili ürünü bulan algoritmalardan oluşur. Bu algoritmalar ile geçmiş bilgiler, ilgi alanları, tıklama verileri gibi bilgiler dikkate alınarak kullanıcıların sonraki hareketleri tahmin edilmektedir. Akademik makale öneri sistemlerinde ise araştırmacıların profillerinde yer alan bilgiler kullanılarak ilgili makaleler önerilmektedir. Bu sistemlerin kullanılması ile araştırmacıların yayınlara hızlı ve etkin bir şekilde erişmesini sağlamaktadır. Bu çalışmada, içerik tabanlı yöntemlerin hibrit kombinasyonlarından oluşan yeni bir makale öneri sistemi tasarlanmıştır. Önerilen sistemde, ARXIV veri kümesinden toplanan makalenin meta verileri kullanılmıştır. Word2vec, Terim Frekansı – Ters Belge Frekansı (TF-IDF), Doc2vec, FastText, Global Vektörleri (GloVe) gibi kelime gömme algoritmalarının yanı sıra Gizli Dirichlet Tahsisi (LDA) ve Negatif Olmayan Matris Çarpanlarına Ayırma (NMF) gibi konu modelleme teknikleri de uygulanmıştır. Çalışmada önerilen hibrit yöntemler, derinlemesine analiz için kullanılan diğer algoritmalarla karşılaştırılmıştır. Önerilen sistemin değerlendirilmesinde, çalışma kapsamında oluşturulan kullanıcı profilleri kullanılmıştır. Bu sayede yeni bir kullanıcı veya araştırmacıya, ilgili önerilerin listelenmesini de sağlanmıştır. Çalışmada çevrimdışı deneyler yapılmıştır. Word2vec ile LDA yöntemlerinin ve TF-IDF ile LDA yöntemlerinin hibrit olarak birleştirildiği deneylerde diğer yöntemlere göre daha iyi performans değerleri elde edilmiştir. Çalışma kapsamında gerçekleştirilen deneylerden elde edilen sayısal değerler, önerilen sistemin literatürle karşılaştırıldığında umut verici olduğunu doğrulamaktadır.
Özet (Çeviri)
With advances in information technologies and scientific developments, thousands of publications are published by researchers every year. Due to the exponentially increasing amount of information, accessing relevant academic documents online makes it difficult and time-consuming. Recommender systems are widely used in solving such problems. Recommender systems are developed to present documents containing the necessary information in line with the preference of researchers. These systems consist of algorithms that filter utility content from the information in large data pools and find the most meaningful and relevant product for the user. With these algorithms, the after movements of users are predicted by considering information such as historical information, interests, and click data. In the academic article recommendation systems, related articles are suggested by using the information found in the researchers' profiles. The use of these systems enables researchers to access publications quickly and effectively. In this study, a new article recommendation system consisting of hybrid combinations of content-based methods is designed. In the proposed system, metadata of the articles collected from the ARXIV dataset was used. In addition to word embedding algorithms such as Word2vec, Term Frequency – Inverse Document Frequency (TF-IDF), Doc2vec, and Global Vectors (GloVe), FastText, subject modeling techniques such as Latent Dirichlet Allocation (LDA) and Non – Negative Matrix Factorization (NMF) were also applied. The hybrid methods proposed in the study were compared with the other algorithms used for an in-depth analysis. In evaluating the proposed system, user profiles created within the scope of the study were used. In this way, it is ensured that the relevant suggestions are listed for a new user or researcher. Offline experiments were conducted in the study. In experiments where Word2vec and LDA methods and TF-IDF and LDA methods were combined as a hybrid, better performance values were obtained than other methods. The numerical values obtained from the experiments carried out within the scope of the study confirm that the proposed system is promising when compared with the literature.
Benzer Tezler
- Developing a recommender system for academic papers
Akademik makaleler için bir öneri sistemi geliştirilmesi
YUSUF CAN KARAMAN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN BULUT
- An article recommender system for smes in digital transformation
Kobi'ler için dijital dönüşüm - makale öneri sistemi
MARAL DİCLE MARAL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATMA BAŞAK AYDEMİR
- A hybrid article recommendation system based on deep learning and co-publication network analytics
Derin öğrenme ve ortak yayın ağı analitiklerine dayalı bir hibrit bilimsel makale öneri sistemi
BÜŞRA ATLANEL
Yüksek Lisans
İngilizce
2019
Mühendislik BilimleriBoğaziçi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ONUR DURAHİM
- Deep learning based recommendation system design
Derin öğrenme tabanlı öneri sistemi tasarımı
SEÇİL ŞEN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SADIK FİKRET GÜRGEN
- Akademik hukuk makalelerinde atıf önerisi
Citation recommendation on scholarly legal articles
DOĞUKAN ARSLAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLŞEN ERYİĞİT