Makine Öğrenmesi Modellerini Kullanarak Akademik Veri Tabanlarına İlişkin Tahminler Oluşturma

Makine öğrenmesi, birçok uygulamayı güçlendirerek günümüzde hemen her alanda yaygın kullanılan bir teknoloji haline gelmiştir. Temel anlamda türlü veri kümeleriyle eğitilen bir makinenin amaca uygun algoritmalar kullanarak programlanması neticesinde insan eliyle gerçekleştirilen işlerin bilgisayar sistemlerine devredilmesini hedefleyen makine öğrenmesi uygulamaları, otonom sistemlere güç vermektedir. Kütüphane danışma hizmetlerinin makine öğrenmesi teknikleriyle otonom biçimde yürütülmesinde kullanışlı makine öğrenmesi algoritmalarının belirlenmek istendiği bu çalışmada, akademik veri tabanlarıyla eğitilen bir makine öğrenmesi modelinin, herhangi bir konudaki bilgi kaynağı gereksinimini betimleyen doğal dil sorularına verdiği yanıtların başarım düzeyleri çeşitli makine öğrenmesi algoritmaları çerçevesinde incelenmektedir. Bunun için öncelikle T.C. Millet Kütüphanesi’nde listelenen akademik veri tabanları referans alınmış, öznitelikleri tanımlanarak bir eğitim veri seti oluşturulmuş ve çeşitli veri madenciliği teknikleri kullanılarak model eğitilmiştir. Ardından modeli sınamak amacıyla gereksinim duyulan test veri setinin ortaya çıkarılması amacıyla 7300 soruluk bir liste oluşturulmuştur. Bir konu hakkındaki bilgi kaynağı gereksinimini betimleyen ve kütüphane danışma birimlerine sorulma potansiyeli bulunan bu yapay sorular, doğal dil işleme ve metin madenciliği teknikleri kullanılarak işlenmiştir. Çalışmadaki veri matrislerine uygun olduğu tespit edilen yedi farklı makine öğrenmesi algoritmasının başarım düzeyleri hem varsayılan hem de optimize edilmiş hiper parametre ayarlarıyla test edilmiş ve en uygun algoritmanın %92,7 oranında doğru tahminde bulunan Destek Vektör Makinesi olduğu tespit edilmiştir. Buna alternatif algoritmalar ise Derin Öğrenme ve Olasılıksal Sinir Ağı olarak belirlenmiştir. Bu algoritmalar sırasıyla %72,3 ve %70,5 oranında doğru tahminde bulunmuştur.

Machine learning has become a widely used technology in almost every field today, empowering many applications. Machine learning applications, which aim to transfer the tasks performed by human hands to computer systems as a result of programming a machine trained with various data sets using appropriate algorithms, power autonomous systems. In this study, in which it is aimed to determine useful machine learning algorithms for the autonomous execution of library reference services using machine learning techniques, the performance levels of the answers given by a machine learning model trained with academic databases to natural language questions describing the information source requirement on any subject are examined within the framework of various machine learning algorithms. For this, first of all, T.R. Academic databases listed in the National Library were taken as reference, a training data set was created by defining their attributes, and the model was trained using various data mining techniques. Then, a list of 7300 questions was created to reveal the test data set needed to test the model. These artificial questions, which describe the need for information sources on a subject and have the potential to be asked to library information units, were processed using natural language processing and text mining techniques. The performance levels of seven different machine learning algorithms, which were found to be suitable for the data matrices in the study, were tested with both default and optimized hyperparameter settings, and the most suitable algorithm was determined to be Support Vector Machine. Alternative algorithms to this are determined as Deep Learning and Probabilistic Neural Network.