Metin Özetlemesi için Düğüm Merkezliklerine Dayalı Denetimsiz Bir Yaklaşım

Yıl 2019, , 1109 - 1118, 30.09.2019

Cengiz Hark , Taner Uçkan , Ebubekir Seyyarer Ali Karcı

https://doi.org/10.17798/bitlisfen.568883

Cited By: 4

Öz

Cümle seçerek özetleme çalışmaları kapsamında birçok
farklı yaklaşım mevcuttur. Bu çalışmada tek dokümanlı çıkarıcı metin özetleme
için yeni ve denetimsiz bir süreç önerilmektedir. Çalışma kapsamında metin dokümanları
çizgelerle temsil edilmektedir. Yöntemimiz temel olarak metinleri temsil eden çizgeleri
kullanmakta ve cümlelere yönelik bir ağırlıklandırma önermektedir. Önerilen
sürecin farklı düğüm ağırlıklandırma yöntemlerini kullanarak önemli düğümleri
ve dolayısı ile önemli cümleleri belirlenmesi önerilen özetleme sisteminin
cümle puanlandırma aşamasını oluşturmaktadır. Son olarak bu çalışma kapsamında
metin özetleme amaçlı önerilen yaklaşımın, açık erişimli metinler ve bu
metinlere ait özetleri içeren Document Understanding Conference (DUC-2002) veri
seti üzerindeki performansı ROUGE değerlendirme metrikleri kullanılarak
hesaplanmıştır. Yapılan deneysel çalışmalar sonucunda önerilen özetleme
sisteminin geleneksel çizge tabanlı yaklaşımlar ile rekabet edebilir ölçüde
performans değerleri ortaya koyduğunu göstermektedir. Ayrıca sunulan bu basit
ve etkili yöntemin dilbilimsel bir süreç izlememesi oldukça önemlidir. 

Anahtar Kelimeler

Çıkarıcı Metin Özetleme, Düğüm Merkezliği, Cümle Sıralama, ROUGE Metrikleri

Kaynakça

• [1] Osman Durmaz, “Metin Sınıflandırmada Boyut Azaltmanın Etkisi ve Özellik Seçimi,” 2011.
• [2] C. Hark, A. Seyyarer, T. Uçkan, and A. Karci, “Doǧal dil işleme yaklaşimlari ile yapisal olmayan dökümanlarin benzerliǧi,” in IDAP 2017 - International Artificial Intelligence and Data Processing Symposium, 2017.
• [3] Ş. Canberk, G. , Sağıroğlu, Bilgi ve Bilgisayar Güvenliği : Casus Yazılımlar ve Korunma Yöntemleri. Ankara: Grafiker Yayıncılık, 2006.
• [4] D. R. Radev, E. Hovy, and K. McKeown, “Introduction to the special issue on summarization,” Comput. Linguist., vol. 28, no. 4, pp. 399–408, 2002.
• [5] G. Erkan and D. R. Radev, “Lexrank: Graph-based lexical centrality as salience in text summarization,” J. Artif. Intell. Res., vol. 22, pp. 457–479, 2004.
• [6] A. Joshi, E. Fidalgo, E. Alegre, and L. Fernández-Robles, “SummCoder: An Unsupervised Framework for Extractive Text Summarization Based on Deep Auto-encoders,” Expert Syst. Appl., 2019.
• [7] O. Kaynar, Y. Görmez, Y. E. Işık, and F. Demirkoparan, “Comparison of graph based document summarization method,” in 2017 International Conference on Computer Science and Engineering (UBMK), 2017, pp. 598–603.
• [8] M. Kutlu, C. Cigir, and I. Cicekli, “Generic text summarization for Turkish,” Comput. J., vol. 53, no. 8, pp. 1315–1323, 2010.
• [9] C. Hark, T. Uçkan, and A. Seyyarer, Abubekir Karci, “Metin Özetleme İçin Çizge Tabanlı Bir Öneri,” in IDAP 2018 - International Artificial Intelligence and Data Processing Symposium, 2018.
• [10] R. Mihalcea, “Language independent extractive summarization,” Proc. ACL 2005 Interact. poster Demonstr. Sess. - ACL ’05, no. June, pp. 49–52, 2005.
• [11] K. Sarkar, K. Saraf, and A. Ghosh, “Improving graph based multidocument text summarization using an enhanced sentence similarity measure,” 2015 IEEE 2nd Int. Conf. Recent Trends Inf. Syst. ReTIS 2015 - Proc., pp. 359–365, 2015.
• [12] R. Mihalcea and P. Tarau, “TextRank: Bringing Order into Texts,” in Proceedings of the ACL 2004 on Interactive poster and demonstration sessions -, 2004, vol. 85, p. 20–es.
• [13] D. Parveen, H.-M. Ramsl, and M. Strube, “Topical coherence for graph-based extractive summarization,” in Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing, 2015, pp. 1949–1954.
• [14] C. Hark, A. Seyyarer, T. Uçkan, and A. Karci, “Doǧal dil işleme yaklaşimlari ile yapisal olmayan dökümanlarin benzerliǧi,” in IDAP 2017 - International Artificial Intelligence and Data Processing Symposium, 2017, pp. 1–6.
• [15] R. Mihalcea and P. Tarau, “A Language Independent Algorithm for Single and Multiple Document Summarization,” Proc. IJCNLP 2005, 2nd Int. Join Conf. Nat. Lang. Process., pp. 19–24, 2005.
• [16] A. Karci, “Çizge Algoritmaları ve Çizge Bölmeleme.pdf,” 1998.
• [17] U. Von Luxburg, “A Tutorial on Spectral Clustering,” 2007.
• [18] A. Bavelas, “A Mathematical Model for Group Structures,” Human Organization, vol. 7, no. 3. pp. 16–30, 1948.
• [19] D. R. Radev, “LexRank : Graph-based Lexical Centrality as Salience in,” Artif. Intell., vol. 22, pp. 457–479, 2004.
• [20] M. Kutlu, C. Ciǧir, and I. Cicekli, “Generic text summarization for Turkish,” in Computer Journal, 2010, vol. 53, no. 8, pp. 1315–1323.
• [21] C. Hark, T. Uçkan, E. Seyyarer, and A. Karci, “Graph-Based Suggestion For Text Summarization,” 2018 Int. Conf. Artif. Intell. Data Process. IDAP 2018, 2019.
• [22] F. Boudin et al., “A Comparison of Centrality Measures for Graph-Based Keyphrase Extraction To cite this version : HAL Id : hal-00850187 A Comparison of Centrality Measures for Graph-Based Keyphrase Extraction,” 2013.
• [23] F. Boudin, “A Comparison of Centrality Measures for Graph-Based Keyphrase Extraction,” in International Joint Conference on Natural Language Processing (IJCNLP), 2013, pp. 834–838.
• [24] M. McPherson, L. Smith-Lovin, and J. M. Cook, “Birds of a Feather: Homophily in Social Networks,” Annu. Rev. Sociol., vol. 27, no. 1, pp. 415–444, Aug. 2001.
• [25] B. N. Analysis, “Centrality and Hubs,” no. 1979, 2016.
• [26] Alex Kosorukoff, Social Network Analysis Theory and Applications. Passmore, D. L, 2011, 2011.
• [27] C.-Y. Lin, “Rouge: A package for automatic evaluation of summaries,” Text Summ. Branches Out, 2004.