Bir İnsan Bilgisayar Etkileşimi Örneği: Sesli Komutlar İle Veri Tabanı Sorgulama Uygulaması

Yıl 2024, , 211 - 223, 15.03.2024

Sitem Barış , Sahil Rzayev , Hacer Özyurt , Özcan Özyurt

https://doi.org/10.31466/kfbd.1384401

Cited By: 1

Öz

Doğal dil işleme (DDİ), insan bilgisayar etkileşiminde geniş bir uygulama alanına sahiptir. Kullanıcıların arama memnuniyetini artırmak amacıyla birçok bilgi erişim yöntemleri geliştirilmiştir. Bu sebeple sesli komut ile veri tabanına erişim çalışması insanların alıştıkları soru ortamını hazırlamaya yönelik olmuştur. Bu çalışma kapsamında, sesli komutları yazıya döken bir sorgu ara yüzü geliştirilmiştir. Kullanıcılar bilgilendirici şablonlar sayesinde belirgin kelimeler kullanarak sesli şekilde istediği bilgiyi söyleyecektir. Söylenen cümle ilk aşamada metine çevrilmiştir. Bir sonraki aşamada kullanıcının arama sorgusunu daha iyi analiz ederek kullanıcının arama isteği doğrultusunda daha doğru ve kararlı sonuçlar ile karşılaşmasını hedefleyen açık kaynak kodlu BERT (Bidirectional Encoder Representations from Transformers) mimarisi kullanılarak kendi dikkat ağırlığına sahip etiketleri hizalamak amacıyla SQL (Yapılandırılmış Sorgu Dili) sorgulama dilinin bileşenleri sınıflandırılmıştır. Çalışmada SELECT ve DİĞER sorgu tipleri (DELETE, UPDATE) diye ayırarak ikili sınıflandırma üzerinde çalışılmıştır. Alınan veri etiketlenmiş verilerle karşılaştırılarak model doğruluğu test edilmiştir. Tahmin edilen etiket sonucu ara yüzde gösterilmiştir. Çalışma ile Türkçe tabanlı bir insan bilgisayar etkileşimi aracı geliştirilmiş ve SQL ile ilgili teknik bilgi gerektirmeden veri tabanını sorgulamalarına olanak tanınmıştır.

Anahtar Kelimeler

Doğal dil işleme, Metinden SQL Dönüşümü, Sesli Komut, Sorgu Aracı

Etik Beyan

Etik Kurul gerekmemektedir.

Destekleyen Kurum

TÜBİTAK

An Example of Human Computer Interaction: Database Query Application with Voice Commands

Öz

Natural language processing (NLP) has a broad range of applications in human-computer interaction. Consequently, numerous information retrieval methods have been developed to enhance user search satisfaction. Thus, a voice-command access to a database project has been designed to create a familiar query environment. Users will employ informative templates, articulating their desired information using distinct keywords via voice. The spoken sentence is initially converted into text. Subsequently, an open-source BERT (Bidirectional Encoder Representations from Transformers) architecture with customized attention weights is employed to align self-learned tags within the SQL (Structured Query Language) query components, aiming to provide more accurate and consistent search results aligned with the user's intent. The project focuses on binary classification, distinguishing between SELECT and other query types (DELETE, UPDATE). Model accuracy is tested against labeled data, with predicted labels displayed in the interface. By utilizing Turkish, the project contributes to the literature, offering a user-friendly data-querying tool that saves time through voice interaction, eliminating the need for technical SQL knowledge. This project is poised to expand the user base and introduce numerous individuals to the realm of software development.

Anahtar Kelimeler

Natural language processing, SQL conversion from text, Voice command, Query tool

Kaynakça

• Ates, E. (2019). Derin öğrenme ile sesli komut tanıma, Yayımlanmamış yüksek lisans tezi, Eskişehir Osmangazi Üniversitesi, Eskişehir.
• Bajwa, I. S. Mumtaz S., & Naveed M. S. (2008). Database interfacing using natural Language processing. European journal of scientific research, 20(4), 844-851.
• Batukan, B. & Kaya, B (2023). El hareketleri ile mutfak gereçlerinin temassız kontrolü: Sanal ocak üzerine bir uygulama arayüzü. Avrupa Bilim ve Teknoloji Dergisi, 46(2023), 116-125.
• Büyük, O. (2023). Joint intent detection and slot filling for Turkish natural language understanding. Turkish Journal of Electrical Engineering and Computer Sciences, 31(5), 844-859.
• Chatterjee, S. & Dietz, L. (2022, July). BERT-ER: query-specific BERT entity representations for entity ranking. In Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 1466-1477).
• Çıplak, O. F., & Keser, S. (2021). Gerçek zamanlı ses tanıma ile robot kolu kontrolü. Avrupa Bilim ve Teknoloji Dergisi, 31(2021), 34-39.
• Devlin, J. ve ark. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
• Doğan, S. (1999). PC ortamında sesli komutları tanıma (Doctoral dissertation, Marmara Universitesi (Turkey)).
• Ecemiş, O. & Coşkun, A. (2022). Türkiye’de bilişim teknolojileri kullanımının ÇKKV yöntemleriyle incelenmesi 2014-2021 dönemi. Avrupa Bilim ve Teknoloji Dergisi, 37(2022), 81-89.
• Erdoğan, E. & Özyürek, H. (2012). Yapay sinir ağları ile fiyat tahminlemesi. Sosyal ve Beşeri Bilimler Dergisi, 4(1), 85-92.
• Gürler, B. (2014). S. Türkçe konuşma tanıma sistemleri için bir konuşma veritabanı. Yayımlanmamış yüksek lisans tezi, Gazi Üniversitesi, Ankara.
• Kamer, V. (2015). Yapılandırılmış Sorgu Dili (SQL) ve Üç Değerli Mantık. Felsefe Arkivi, (42), 41-48.
• Kestur, S., Davis, J. D., & Williams, O. (2010, July). Blas comparison on fpga, cpu and gpu. In 2010 IEEE computer society annual symposium on VLSI (pp. 288-293).
• Korcuklu, B. (2021). Derin öğrenme tabanlı konuşma tanıma sistem tasarımı. Yayımlanmamış doktora tezi, Uludağ Üniversitesi, Bursa.
• Özdil, U., Arslan, B., Taşar, D. E., Polat, G., & Ozan, Ş. (2021, September). Ad Text Classification with Bidirectional Encoder Representations. In 2021 6th International Conference on Computer Science and Engineering (UBMK) (pp. 169-173).
• Öztürk, Ö. F., & Pashaei, E. (2021). Konuşmalardaki duygunun evrişimsel LSTM modeli ile tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12(4), 581-589.
• Özyurt, Ö., & Köse, C. (2006). Türkçe tabanlı diyalog sistemi tasarımı ve internet (chat) ortamlarından bilgi çıkarımı. Yayımlanmamış yüksek lisans tezi, Karadeniz Teknik Üniversitesi, Trabzon.
• Song, Y., Wong, R. C. W., Zhao, X., & Jiang, D. (2022, June). VoiceQuerySystem: A voice-driven database querying system using natural language questions. In Proceedings of the 2022 International Conference on Management of Data (pp. 2385-2388).
• Sangeetha, J. & Hariprasad, R. (2019). An intelligent automatic query generation interface for relational databases using deep learning technique. International Journal of Speech Technology, 22, 817-825.
• Tuncer, I., Az, Ş., Karakaş, A., & Göktürk, M. (2019, November). Context-based corporate business ıntelligence assistant. In 2019 1st International Informatics and Software Engineering Conference (UBMYK) (pp. 1-4). IEEE.
• Ucar, K. (2020, Nisan). BERT Modeli ile Türkçe Metinlerde Sınıflandırma Yapmak. Medium. https://medium.com/@ktoprakucar/bert-modeli-ile-t%C3%BCrk%C3%A7e-metinlerde-%C4%B1n%C4%B1fland%C4%B1rma-yapmak-260f15a65611 (Erişim Tarihi: 08 Eylül 2023)
• Uzun E, Buluş, H. N., & Erdoğan, C. (2018). Veritabanı tasarımının yazılım performansına etkisi: Normalizasyona karşı denormalizasyon. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22(2), 887-895.