KENDİNDEN DÜZENLENEN HARİTALAR İLE DERS İÇERİKLERİNİN SINIFLANDIRILMASI

Öz

Elektronik dokümanların sayısının büyük bir hızla arttığı günümüzde, otomatik doküman sınıflandırma sistemlerinin, bilgi yönetiminin geleceği açısından çok kritik olduğu değerlendirilmektedir. Bu çalışmanın amacı, teknik dokümanları içeriklerine göre otomatik olarak sınıflandırmaktır. Teknik doküman olarak, birçok terimin sıralanmasıyla oluşan bilgisayar mühendisliği lisans programlarında açılan derslerin içerikleri kullanılmaktadır. Bu çalışmada, danışmansız öğrenme özelliğine sahip Kendinden Düzenlenen Haritalar (SOM) kullanılarak ders içeriklerini otomatik olarak sınıflandıran bir sistem önerilmektedir. Sınıflandırma işleminden önce ders içerikleri üzerinde çeşitli önişlemlerin uygulanması gerekmektedir. Dokümanlardaki durak kelimeleri (bağlaç, zamir v.s.) temizlendikten sonra kelimelerin kökleri bulunmaktadır. Sadece bir dokümanda geçen kelimeler ayırt edici olmadığından dolayı atılmaktadır. Çok tekrar eden kelimeler ise, diğer uygulamalardan farklı olarak burada oldukça anlamlı ve önemli terimler olarak görüldüğü için atılmamaktadır. Daha sonra terim frekansı ve ters doküman frekansı verileri kullanılarak ağırlık vektörleri hesaplanıp normalize edilmiştir. Her ders için hesaplanan bu vektörler kullanılarak kendinden düzenlenen haritalar yöntemi ile sınıflandırma yapılmıştır. Sonuçlar, karşılaştırma amacıyla k-ortalama algoritmasının çıktıları ile birlikte gösterilmiştir. Ders içeriklerini kullanarak yapılan bu sınıflandırma çalışması ile, bir bölümün derslerinin arasındaki içeriğe dayalı ilişkiler açık bir şekilde görülmektedir. Ayrıca farklı üniversitelerin farklı kodlara ve adlara sahip fakat içerik olarak benzer olan dersleri, SOM haritası üzerinde başarılı bir şekilde birbirine yakın çıkmaktadır.

Anahtar Kelimeler

• Doküman sınıflandırma, kendinden düzenlenen haritalar, ders içerikleri.

Kaynakça

1. Calvo, R.A., Lee, J.M., Li, X., “Managing
2. content with automatic document classification”,
3. Journal of Digital Information, Cilt 5, No 2,
4. -
5. Amine, A., Elberrichi, Z., Bellatreche, L.,
6. Simonet, M., Malki, M., “Concept-based
7. clustering of textual documents using SOM”,
8. IEEE/ACS International Conference on

9. Computer Systems and Applications, 156-163,
10. -
11. Kohonen, T., “Self-organizing maps”, Springer
12. Series in Information Sciences, Springer-Verlag,
13. New York, 30:1-426, 1997.
14. Kohonen, T., “Self-organization of very large
15. document collections: State of the art”,
16. Proceedings of the 8th International
17. Conference on Artificial Neural Networks,
18. Skovde, Sweden, Cilt 1, 65-74, 1998.
19. Segal, R.B., Kephart, J., O., “MailCat: An
20. Intelligent Assistant for Organizing E-mail”,
21. Proceedings of the Third International
22. Conference on Autonomous Agents, Seattle,
23. Washington, United States, 276-282, 1999.
24. Merkl, D., Rauber, A., “Document classification with
25. unsupervised artificial neural networks”, “Soft
26. Computing in Information Retrieval: Techniques and
27. Applications”, (Editors: Fabio Crestani, Gabriella
28. Pasi), Springer-Verlag, 102-121, 2000.
29. Dittenbach, M., Rauber, A., Merkl, D.,
30. “Uncovering hierarchical structure in data using
31. the growing hierarchical self-organizing map”,
32. Neurocomputing, Cilt 48, No 1, 199-216, 2002.
33. Sağıroğlu, Ş., Beşdok, E., Erler, M.,
34. “Mühendislikte yapay zeka uygulamaları-I:
35. yapay sinir ağları”, Ufuk Kitap Kırtasiye
36. Yayıncılık, Kayseri, 23-116 (2003).
37. Koikkalainen, P., Oja, E., “Self-organizing
38. hierarchical feature maps”, IJCNN International
39. Joint Conference on Neural Networks, Cilt 2,
40. -284, 1990.
41. Vesanto, J., “SOM-based data visualization
42. methods”, Intelligent Data Analysis, Cilt 3, No
43. , 111-126, 1999.
44. Kohonen, T., Kaski, S., Lagus, K., Salojarvi, J.,
45. Honkela, J., Paatero, V. Saarela, A., “Self
46. organization of a massive document collection”,
47. IEEE Transactions on Neural Networks, Cilt
48. , No 3, 574-585, 2000.
49. Rauber, A., Merkl, D., “Automatic labeling of
50. self-organizing maps: Making a treasure-map
51. reveal its secrets”, The Third Pacific-Asia
52. Conference on Methodologies for Knowledge
53. Discovery and Data Mining, Beijing, China,
54. -237, 1999.
55. Salton, G., McGill, M.J., “Introduction to modern
56. information retrieval”, McGraw-Hill, New York,
57. -
58. Salton, G., Buckley, C., “Term-weighting approaches
59. in automatic text retrieval”, Information Processing
60. and Management, Cilt 24, No 5, 513-523, 1988.