Fault diagnosis in white goods using natural language processing techniques on customer complaints
Müşteri şikayetleri üzerinden doğal dil işleme teknikleri ile beyaz eşyalarda arıza teşhisi
- Tez No: 982193
- Danışmanlar: PROF. DR. OLCAY TANER YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, beyaz eşya sektöründe arıza sınıflandırması amacıyla Doğal Dil İşleme (NLP) tekniklerinin uygulanmasını, gerçek teknik servis verileri üzerinden incelemektedir. İki aşamalı hibrit bir işlem hattı geliştirilmiştir: İlk aşamada, yapılandırılmamış müşteri şikayet metinleri hem kural tabanlı ön işleme hem de Büyük Dil Modeli (LLM) temelli zenginleştirme yöntemleriyle yapılandırılmış temsillere dönüştürülmektedir. İkinci aşamada ise, Random Forest, Naive Bayes, LightGBM, BiLSTM, CNN-BiLSTM ve DistilBERT gibi çeşitli makine öğrenimi sınıflandırıcıları kullanılarak onarım kodları tahmin edilmektedir. Sistem, 103.000 teknik servis kaydından oluşan büyük ölçekli bir veri kümesi üzerinde değerlendirilmiştir. Deneysel sonuçlar, GPT-4o-mini tarafından üretilen anlamsal olarak zenginleştirilmiş temsillerin, hem işlenmemiş hem de kural tabanlı girdilere kıyasla tutarlı şekilde üstün performans gösterdiğini ortaya koymuştur. Tüm sınıflandırıcılarda, LLM-Rich (LLM-Zengin) ön işleme stratejisi en yüksek performansı sağlamış ve karmaşıklık ağırlıklı ortalama F1 skorlarında \%63{,}4'e kadar başarı elde etmiştir; bu oran, en iyi işlenmemiş giriş için \%54{,}1 ve en iyi kural tabanlı alternatif için \%52{,}2'dir. Ayrıca çalışma, her bir onarım kodu için bir karmaşıklık skoru tanıtarak model performansının görev zorluğuna göre analiz edilmesine olanak tanımaktadır. Sonuçlar, LLM ile zenginleştirilmiş girdilerin yalnızca doğruluğu artırmakla kalmayıp, aynı zamanda yüksek karmaşıklıktaki sınıflarda da modelin dayanıklılığını güçlendirdiğini göstermektedir. Genel olarak, elde edilen bulgular, anlamsal olarak zenginleştirilmiş NLP işlem hatlarının, özellikle Türkçe gibi düşük kaynaklı dillerde, yarı otomatik arıza teşhisi için ölçeklenebilir ve güçlü bir temel sunduğunu ve ilgili sınıflandırma modellerinin dayanıklılığını önemli ölçüde artırdığını ortaya koymaktadır.
Özet (Çeviri)
The thesis investigates the application of Natural Language Processing (NLP) for fault classification in the white goods sector, using real-world service data. two-stage hybrid pipeline is developed: first, unstructured customer complaint texts are transformed into structured representations through both rule-based preprocessing and Large Language Model (LLM)-based enrichment. Then, multiple machine learning classifiers are trained to predict repair codes, which include the Random Forest, Naive Bayes, LightGBM, BiLSTM CNN-BiLSTM and DistilBERT. The system is evaluated on a large-scale dataset of 103,000 technical service records. Experimental results reveal that semantically enriched representations generated by GPT-4o-mini consistently outperform both unprocessed and rule-based inputs. Across all classifiers, the LLM-Rich preprocessing strategy yields the highest performance, achieving complexity-weighted average F1 scores of up to 63,4\%, compared to 54,1\% for the best unprocessed input and 52,2\% for the best rule-based alternative. Furthermore, the study introduces a complexity score for each repair code, allowing analysis of model performance relative to task difficulty. Results indicate that LLM-enhanced inputs not only improve accuracy but also increase robustness across high-complexity classes. Overall, the results indicate that semantically enriched NLP pipelines offer a scalable and powerful basis for semi-automated fault diagnosis, particularly in low-resource languages like Turkish, and greatly strengthen the robustness of the corresponding classification models.
Benzer Tezler
- Dönen makinalardaki mekanik titreşimler ve bunların arıza parametresi olarak incelenmesi
Mechanical vibrations in rotating machines and investigate of them as damage parameters
ERHAN APAK
Yüksek Lisans
Türkçe
1997
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Ana Bilim Dalı
PROF. DR. NURDAN GÜZELBEYOĞLU
- Doğal çatklaklı rezervarlara ait kuyu testi verilerinin doğrusal olmayan regrasyon yöntemleri ile analizi
Başlık çevirisi yok
KUBİLAY MENEKŞE
- Makina performansının titreşim analizi metodları yardımıyla belirlenmesi ve rulmanlarda titreşim analizi ile hasar tesbiti
Başlık çevirisi yok
BİLGİN KONAÇ
- A review and evaluation of development in exploration, production, reserves estimation, and research efforts for shale gas and oil
Şeyl gazı ve petrolü için arama, üretim, rezerv kestirimive araştırma çalışmalarının incelenmesi ve değerlendirilmesi
OSMAN MOHAMMED
Yüksek Lisans
İngilizce
2015
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. İBRAHİM METİN MIHÇAKAN
- Model based diagnosis of the oxygen sensors
Oksijen algılayıcıların model tabanlı arıza teşhisi
KÜBRA EKİNCİ
Yüksek Lisans
İngilizce
2018
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ŞENİZ ERTUĞRUL