Serbest Metin Girdilerinden Anlamsal Kategori Eşleştirmesi İçin Hibrit Yapay Zekâ Destekli Bir Yaklaşım

Abstract

E-satın alma platformlarında tedarikçilerin sundukları ürün ve hizmetler için doğru kategori eşleşmelerinin bulunması, arama ve operasyonel verimlilik açısından kritik öneme sahiptir; ancak geleneksel anahtar kelime aramasıyla çok seviyeli kategori yapıları arasındaki eşleştirme, mevcut koşullarda zaman alıcı ve düşük doğruluklu sonuçlar üretmektedir. Bu çalışmada, kullanıcıların serbest metin girdilerinden otomatik kategori eşleştirme önerileri sunmak için hibrit yapay zekâ destekli bir yaklaşım önerilmektedir. Yöntem; anlamsal benzerlik, yazımsal benzerlik ve kullanım popülerliğini ağırlıklı olarak birleştirerek kategori önerisi gerçekleştirmektedir. Yaklaşık 14.000 kategorili hiyerarşik yapı üzerinde yapılan çalışmalar, önerilen yöntemin ölçeklenebilir ve yüksek doğruluklu sonuçlar sunduğunu göstermektedir. 

Keywords

• Anlamsal Benzerlik
• Doğal Dil İşleme
• E-Satın Alma
• Hibrit Sınıflandırma

Supporting Institution

Sabancı Dijital Teknoloji Hizmetleri A.Ş.

Ethical Statement

Yapay Zeka Kullanım Beyanı Bu makalenin hazırlanması sürecinde metin düzenleme, dil iyileştirme ve içerik organizasyonu amacıyla ChatGPT yapay zekâ aracından yararlanılmıştır. Yapay zekâ tarafından oluşturulan içerikler yazarlar tarafından gözden geçirilmiş, düzenlenmiş ve yayının tüm sorumluluğu yazarlara aittir.

Thanks

Bu çalışma Sabancı Dijital Teknoloji Hizmetleri A.Ş. Ar-Ge merkezi'nde yürütülmüş olup, firmaya katkıları için teşekkür ederiz.

A Hybrid Artificial Intelligence-Supported Approach for Semantic Category Matching from Free-Form Text Inputs

Abstract

The correct categorization of products and services offered by suppliers on e-procurement platforms is critical for search and operational efficiency; however, matching traditional keyword search methods with multi-level category structures is time-consuming and produces inaccurate results under current conditions. This study presents a hybrid AI-supported approach for automatic category matching suggestions from users' free-text inputs. The method performs category suggestions by combining semantic similarity, orthographic similarity, and usage popularity. Studies conducted on a hierarchical structure with approximately 14,000 categories demonstrate that the proposed method is scalable and delivers highly accurate results. 

Keywords

• Semantic Similarity
• Natural Language Processing E-Procurement
• Hybrid Classification
• CategoryMatching

Supporting Institution

Sabancı Digital Technology Services Inc.

Ethical Statement

Declaration of Generative AI During the preparation of this manuscript, the authors used ChatGPT for language editing, text improvement, and content organization. The authors reviewed and edited the generated content and take full responsibility for the content of the publication.

Thanks

This study was carried out at the R&D Center of Sabancı Digital Technology Services Inc. The authors would like to thank the company for its support and contributions to this research.

References

1. Balli, N., & Türkoğlu Kaya, T. (2025). Kullanıcı eğilimlerinin göreceli modellenmesinin popülerlik yanlılığına etkisi. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 40(3), 671–686. https://doi.org/10.21605/cukurovaumfd.1748924
2. Cheng, X., Bowden, M., Bhange, B. R., Goyal, P., Packer, T., & Javed, F. (2021). An end-to-end solution for named entity recognition in eCommerce search. The Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI-21), 15098–15106. https://doi.org/10.1609/aaai.v35i17.17773
3. Cheng, Z., Zhang, W., Chou, C. C., Jau, Y. Y., Pathak, A., Gao, P., & Batur, U. (2024). E-commerce product categorization with LLM-based dual-expert classification paradigm. Proceedings of the 1st Workshop on Customizable NLP: Progress and Challenges in Customizing NLP for a Domain, Application, Group, or Individual (CustomNLP4U), 294–304. https://doi.org/10.18653/v1/2024.customnlp4u-1.22
4. Çiftlikçi, M. S., Çakmak, Y., Kalaycı, T. A., Abut, F., Akay, M. F., & Kızıldağ, M. (2025). A new large language model for attribute extraction in e-commerce product categorization. Electronics, 14(10), 1930. https://doi.org/10.3390/electronics14101930
5. Gholamian, S., Romani, G., Rudnikowicz, B., & Skylaki, S. (2024). LLM-based robust product classification in commerce and compliance. Proceedings of the 1st Workshop on Customizable NLP: Progress and Challenges in Customizing NLP for a Domain, Application, Group, or Individual (CustomNLP4U), 26–36. https://doi.org/10.18653/v1/2024.customnlp4u-1.3
6. Hyppänen, T. (2025). AI possibilities in business process development: A case study in public procurement [Yüksek lisans tezi, Lappeenranta–Lahti University of Technology LUT].
7. Karabacak, O., & Inan, E. (2025). A semantic search engine for Turkish and English research resources. 2025 Innovations in Intelligent Systems and Applications Conference (ASYU), 1–5. https://doi.org/10.1109/ASYU67174.2025.11208360
8. Şirin, Y., & Kutlugün, M. A. (2020). Anlamlı ve benzer olmayan Türkçe metinler üretmek için N-Gram yöntemi ile istatistiksel ve kural tabanlı yaklaşımın birlikte kullanımı. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 22(65), 331–342. https://doi.org/10.21205/deufmd.2020226504

9. Jahanshahi, H., Ozyegen, O., Cevik, M., Bulut, B., Yigit, D., Gonen, F. F., & Başar, A. (2021). Text classification for predicting multi-level product categories (arXiv Preprint arXiv:2109.01084). arXiv. https://arxiv.org/abs/2109.01084
10. Liu, J., & Li, P. (2026). Large language models as decision support tools in procurement and supplier selection. Frontiers in Artificial Intelligence Research, 3(1), 167–186. https://doi.org/10.71465/fair714
11. Ronchi, S., Brun, A., Golini, R., & Fan, X. (2010). What is the value of an IT e-procurement system?. Journal of Purchasing and Supply Management, 16(2), 131–140. https://doi.org/10.1016/j.pursup.2010.03.013
12. Schoenherr, T., & Tummala, V. M. R. (2007). Electronic procurement: A structured literature review and directions for future research. International Journal of Procurement Management, 1(1-2), 8–37. https://doi.org/10.1504/IJPM.2007.015353
13. Steck, H., Ekanadham, C., & Kallus, N. (2024). Is cosine-similarity of embeddings really about similarity?. WWW '24: Companion Proceedings of the ACM Web Conference, 887–890. https://doi.org/10.1145/3589335.3651526 Stenström, A., & Cederberg, N. (2025). Scalable optimization of product category embeddings using multi-dimensional scaling and LLM embeddings [Yüksek lisans tezi, Lund University].
14. Uysal, S., Baysan, M. S., İşlek, İ., & Karaman, Ç. Ç. (2025). Semantic search approach for classified platforms. 33rd Signal Processing and Communications Applications Conference (SIU), 1–4. https://doi.org/10.1109/SIU66497.2025.11112423