TY  - BOOK
AU  - Sarı,Mustafa
ED  - TOBB Ekonomi ve Teknoloji Üniversitesi.
TI  - Derin öğrenme yöntemleri kullanılarak Türkçe doküman sınıflandırma
PY  - 2018///
CY  - Ankara
PB  - TOBB ETÜ Fen Bilimleri Enstitüsü
KW  - Tezler, Akademik
KW  - PV-DBOW
KW  - PV-DM
KW  - DL4J
KW  - Paragraf vektörleri
KW  - word2Vec
KW  - doc2Vec
KW  - Metin madenciliği
KW  - Paragraph vectors
KW  - Text mining
N1  - Tez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Kasım 2018
N2  - Çalışmamızda kaleme alınmış yazıların, yazarına ve konusuna göre birbirinden
ayrılması ve sınıflandırılabilmesi amaçlanmıştır. Bir gazetenin köşe yazarlarının
yazılarının vektörleri oluşturulmuştur ve birbirinden ne kadar ayrılabildiğinin analizi
yapılmıştır. Yazarı bilinmeyen herhangi bir yazının hangi yazara ait olduğu
belirlenebilir veya birbirlerine benzer stiller gruplanarak yazar profilleri
oluşturulabilir. Konusu bilinmeyen bir yazının hangi konulara ait olabileceği
belirlenebilir. DeepLearning4J Java kütüphanesi ve burada yer alan Doc2Vec sınıfı
kullanılmıştır. 5,10,15 ve 20 yazar içeren modeller ve yazarların yazdıkları konulara
göre modeller geliştirilmiştir. Bu şekilde elde edilen benzerlik vektörleri belirli bir eşik
değeri ile karşılaştırılmıştır, değişik eşik değerleri seçimine bağlı model başarımları
ölçülmüştür. Elde edilen sonuçlara göre bazı yazarlar belirgin bir şekilde diğer
yazarlardan ayrılmaktadır. Yazılar konularına göre başarılı bir şekilde
etiketlenebilmektedir. Bu yapı özellikle yazar profili çıkarımı, yazı tespiti veya konu
gruplama gibi alanlarda kullanılabilecek niteliktedir; In our study, it is aimed to distinguish and classify author profiles and text subjects
with vectors which were created from authors posts. The vectors of the columnists of
a newspaper were formed and analyzed for how much they could be separated from
each other. Hence, author of any post, can be determined by this model. It also can
group similar styles together. The DeepLearning4J Java library and the Doc2Vec class
included are used during development. 5,10,15, 20 author vector models and their
subject models were created according to their posts. The similarity vectors obtained
in this way were compared with a certain threshold value, and the model performances
based on the selection of different threshold values were measured. According to the
results, some authors differed significantly from other authors. Articles can be
successfully labeled according to their topics. This structure can be used especially in
areas such as author profile extraction, article detection or subject grouping
UR  - https://tez.yok.gov.tr/
ER  -