Öz
Bu çalışma
cümleden anlam çıkarılması ve Türkçe metinlerin çizge veri yapısında temsil
edilmesi ile ilgili yaklaşımları ele almaktadır.İnsanların makinelerle
etkileşiminin giderek artmasıyla, makinelerin de insanlar gibi davranışlar göstermesi
giderek önem kazanmaktadır.Böylece makineler insanlara daha fazla yardımcı
olabilecektir.İnsana ait en karakteristik davranışlardan birisi de
konuşabilmektir.Konuşmanın en temel yapı taşlarından birisi de
cümlelerdir.Makineler insanların konuştukları cümleleri anlamlandırabilirse
tahminleme, makinelerin kişisel asistanlığı gibi konularda büyük ilerleme
kaydedilecektir.
Metinlerin SQL
veritabanı yerine çizge veritabanı üzerinde temsili ise, metinlerin analizinde
kullanıcılara hız kazandıracaktır.SQL vetitabanında kütle halinde kaydedilmiş
içerikler yerine, Neo4j veritabanında
çizge veriyapısında kaydedilmiş içerikleri analiz etmek daha hızlı ve daha
basittir.Ayrıca bu yaklaşım arama motoru altyapısı ve konuşma robotu altyapısı
gibi konulara da öncülük edebilecektir.
Anahtar Kelimeler
Doğal dil işleme kişisel asistan programı cümleden anlam çıkarımı Neo4j çizge veritabanı
Kaynakça
- [1] google assistant, https://assistant.google.com/intl/tr_tr/platforms/phones/ , Son erişim haziran 2019[2] Cebiroğlu G, 2013 , http://tools.nlp.itu.edu.tr/Tokenizer , Son erişim Haziran 2019[3] Delibaş, A. (2008, haziran). Doğal Dil İşleme İle Türkçe Yazım Hatalarının Denetlenmesi. Yüksek Lisans Tezi. İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü,İstanbul,Türkiye, 35-36[4] Cebirğolu, G. (2002). Sözlüksüz Köke Ulaşma Yöntemi. İstanbul Teknik Üniversitesi. Yüksek Lisans Tezi. İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü,İstanbul,Türkiye, 1-2[5] Bilgin M., Amasyali M.F. (2016). Bileşik Cümlelerde Yan Cümleciklerin Otomatik Etiketlenmesi. 18. Akademik Bilisim Konferansı, AYDIN, TÜRKIYE, 3-5 Şubat 2016, cilt.1, ss.1-4[6] Lafferty, J., McCallum, A. ve Pereira, F. (2001). Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data. International Conference on Machine Learning (ICML), 28 June-1 July 2001, Massachusetts.[7] Eliaçık, A., Erdoğan, N. (2015). Mikro Bloglardaki Finans Toplulukları için KullanıcıAğırlıklandırılmış Duygu Analizi Yöntemi .UYMS, 782-793[8] Yurtay, Y. , Ak G., Bacınoğlu ,N,Z. (2013) . Tıbbi Karar Destek Sistemlerinin Yöntemsel Olarak Değerlendirilmesi Üzerine Bir Çalışma. ISITES2013 International Symposium On Innovate Technologies In Engineering Science,901-910 [9] Seker, S,E.(2015). Sosyal Ağlarda Veri Madenciliği (Data Mining on Social Networks). YBS Ansiklopedi, 2(2), 30-39[10] A, Akçataş. (2007). Türkiye Türkçesinde yapı, işlev ve anlam ilişkileri açısından cümle grupları ve cümle türleri üzerinde bir deneme II. Türk Dili Araştırmaları Yıllığı – Belleten,55(2007/2), 7-14 [11] neo4j, https://neo4j.com/ ,Son erişim haziran 2019[12] cypher, https://neo4j.com/developer/cypher-query-language/ , Son erişim haziran 2019[13] Agan, C., Diri, B.(2016). Türkçe Derlemler İçinSöz Dizimsel Görselleştirme ve Sorgulama Aracı . Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 9(1) , 1-10[14] Karagöz G,N. , Komesli M.(2017). Çizge Veri Tabanı Kullanılarak Geliştirilen Yazılım Lisans Yönetimi Amaçlı Veri Görselleştirmesi Uygulaması: BigLogVis. Dokuz Eylül Üniversitesi-Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 19(57), 779-789 [15] neo4j, https://neo4j.com/news/how-much-faster-is-a-graph-database-really/ , Son erişim haziran 2019
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Mühendislik |
| Bölüm | Makaleler |
| Yazarlar | |
| Yayımlanma Tarihi | 31 Aralık 2019 |
| Yayımlandığı Sayı | Yıl 2019 Cilt: 1 Sayı: 2 |
Kaynak Göster
International Periodical of Recent Technologies in
Applied Engineering