-

Abstract

Many of the information produced by the web are irregular and independent from each other. In order to get meaningful information from these irregular and huge data, different methods have been tried up today. As a “Data Mining” component, Web Content Mining is a method which by examining all documents (text, picture, sound, sight, etc.) in the World Wide Web reveals the rational similarities and differences between the contents of these documents. It can be possible to use information more useful thaks to revealing embedded information in the text based on the similarities and differences. With this study, It is aimed to calculate the similarities of the basic laws which constitute the land management legislation by common attribution and common concepts methods. Thus, embedded information obtained from broad legislation make legal document more understandable and it will be provided more healthy regulation legislation according to the social relations between the legal texts. According to the results obtained at the end of the application, results which were obtained according to the common concepts method came out to be greater than the results which were obtained according to the common attribution method. When matching the contents of laws, using common concepts method shall give more healthy results

Keywords

• Land Management Legislation, Co-Citation analysis, Concept analysis, Bibliographic Coupling matrix

Arazi Yönetimi Mevzuatının Benzerliklerinin Tespitinde Ortak Atıf ve Ortak Kavramlar Yönteminin Kullanımı

Öz

Web ile birlikte üretilen bilgilerin büyük çoğunluğu düzensiz ve birbirinden bağımsız oluşturulmuş bilgilerdir. Bu büyük düzensiz verilerden anlamlı bilgilerin elde edilebilmesi için, günümüze kadar değişik metotlar denenmiştir. Bir “Veri Madenciliği’’ bileşeni olan Web İçerik Madenciliği, World Wide Web’deki bütün dokümanları (metin, resim, ses, görüntü v.s.) inceleyerek, bu dokümanların içerikleri arasındaki ilişkisel benzerlikleri ve farklılıkları ortaya çıkaran bir metottur. Benzerlik ve farklılıklardan yola çıkarak metinler içerisindeki gömülü bilgiyi ortaya çıkararak bilginin daha faydalı şekilde kullanılması mümkündür. Bu çalışma ile arazi yönetimi mevzuatını oluşturan temel yasaların ortak atıf ve ortak kavramlar yöntemi ile benzerliklerinin hesaplanması ve çıkan sonuçlara göre karşılaştırma yapılması amaçlanmıştır. Böylelikle geniş mevzuat içinden elde edilen gömülü bilgi sayesinde mevzuatın daha anlaşılır kılınırken yasal metinler arasındaki sosyal ilişkiye göre daha sağlıklı mevzuat düzenlenmesi sağlanmış olunacaktır. Arazi mevzuatı üzerinde yapılan uygulamalar neticesinde elde edilen sonuçlara göre ortak kavramlar yöntemine göre elde edilen sonuçlar ortak atıf yöntemine göre elde edilen sonuçlara göre daha büyük çıkmıştır. Yasa içeriklerini eşleştirirken ortak kavramlar yönteminin kullanılması daha sağlıklı sonuç verecektir.

Anahtar Kelimeler

• Arazi Yönetimi Mevzuatı, Birlikte Atıf Analizi, Kavram Analizi, Ortak Atıf Matrisi

Kaynakça

1. Karcı, A., Boy, O., 2011, Sosyal Ağların Web Madenciliği Teknikleri İle Analizi Ve Ortak Atıf Analizi İle Benzerlik Tahmini, Tmmob Elektrik Mühendisleri Odası, Elektrik-Elektronik ve Bilgisayar Sempozyumu 2011.
2. Çete, M., 2008, Türkiye için bir arazi idare sistemi yaklaşımı, Doktora tezi, KTÜ Fen Bilimleri Enstitüsü, Trabzon.
3. Wikipedia, “Veri madenciliği”, http://tr.wikipedia.org/wiki/Veri_madencili%C4%9Fi, 23 Nisan 2015.
4. “Sosyal Ağ Analizi Nedir? ”, http://aliunlu.com/2009/01/28/sosyal-ag-analizi-nedir/, 29 Nisan 2015.
5. Xu, G., Zhang, Y., Li, L., 2011, Web Mining and Social Networking, DOI:10.1007/978-1-4419-7735-9.
6. Greene D., Freyne J., Smyth B., Cunningham P., 2008, An Analysis of Research Themes in the CBR Conference Literature, DOI: 10.1007/978-3-540-85502-6_2.
7. Kul, S., 2014, İstatistik Sonuçlarının Yorumu: P Değeri Ve Güven Aralığı Nedir?, DOI:10.5152/pb.2014.003.
8. Demir, M., 2009, Analitik Verilerin Değerlendirilmesi, Ders notları, Adnan Menderes Üniversitesi.

9. Wikipedia, “Güven aralığı”, http://tr.wikipedia.org/wiki/G%C3%BCven_aral%C4%B1%C4%9F%C4%B1, 11 Haziran, 2015.
10. Şahinler, S., 2009, Güven Aralıkları, Ders Notları, Mustafa Kemal Üniversitesi.
11. Niwattanakul, S., Singthongchai, J., Naenudorn, E., Wanapu, S., (2013), Using of Jaccard Coefficient for Keywords Similarity, Proceedings of the International MultiConference of Engineers and Computer Scientists 2013 Vol I, IMECS 2013, March 13 - 15, 2013, Hong Kong.
12. Bank, J., Cole, B., 2008, Calculating the Jaccard Similarity Coefficient with Map Reduce for Entity Pairs in Wikipedia, Wikipedia Similarity Team.
13. Wikipedia, “Cluster analysis”, http://en.wikipedia.org/wiki/Cluster_analysis, 15 Mayıs 2015.
14. “Mining Similarity Using Euclidean Distance, Pearson Correlation, and Filtering”, http://mines.humanoriented.com/classes/2010/fall/csci568/portfolio_exports/mvoget/similarity/similarity.html, 1 Mayıs 2015.