Gri kurt optimizasyon algoritması ile çıkarımsal metin özetleme ve özetlerin derin öğrenme ile sınıflandırılması

Basit Öğe Kaydı
dc.contributor.advisorErdoğmuş, Pakize
dc.contributor.authorDudak, Ebru
dc.date.accessioned2021-02-25T15:04:39Z
dc.date.available2021-02-25T15:04:39Z
dc.date.issued2020
dc.departmentDÜ, Fen Bilimleri Enstitüsü, Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalıen_US
dc.descriptionYÖK Tez No: 634927en_US
dc.description.abstractGünümüzde özellikle internet ortamında metinsel veri hızla çoğalmaktadır. Büyük bir veri seti haline gelen bu metinlerde istenen parçaya ulaşmak gitgide zorlamıştır. Otomatik metin özetleme teknikleri, bu büyük verilerden ilgili bilgilerin çıkarılmasında büyük rol oynamaktadır. Bu tez kapsamında çıkarımsal metin özetleme tekniği olarak, sezgisel Gri Kurt Optimizasyon (GWO) algoritması önerilmiştir. GWO algoritmasının kümeleme yeteneği tekli metin özetleme uygulamasıyla test edilmiştir. Özetleme sisteminde cümle sıralaması, kelime uzunluğu gibi istatistiksel anahtar kelime çıkarma yöntemleri ile GWO'nun küme çıkarımı birleştirilmiştir. Özet sistemi K-means kümeleme algoritması ile de denenmiş ve sonuçlar ROUGE değerlendirme metriği ile ölçülmüştür. 2225 haber makalesinden oluşan BBC News veri setiyle test edilen çalışmada elde edilen sonuçlar doğrultusunda GWO algoritmasının oldukça iyi performans gösterdiğini görülmüştür. Elde edilen özet metinler derin öğrenme yöntemlerinden biri olan Uzun kısa süreli bellek (LSTM) ağları ile sınıflandırılmıştır. Deneysel sonuçlar LSTM ağının sınıflandırma başarısının GWO algoritması ile oluşturulan özetlerde arttığını göstermiştir. GWO algoritması çıkarımsal özetleme yöntemleri için yeni bir yaklaşım olarak sunulmuştur.en_US
dc.description.abstractToday, especially in the internet environment, textual data is increasing rapidly. It is getting more and more difficult to reach the desired piece in these texts, which have become a large data set. Automated text summarization techniques play a major role in extracting relevant information from these big data. In this thesis, the intuitive Gray Wolf Optimization (GWO) algorithm is proposed as inferential text summarization technique. Clustering ability GWO algorithm has been tested with single text summarization application. In the summarization system, statistical keyword extraction methods such as sentence order, word length and cluster extraction of GWO are combined. The summary system was also tested with the K-means clustering algorithm and the results were measured with the ROUGE evaluation metric. In accordance with the results obtained in the study tested with BBC News data set consisting of 2225 news articles, GWO algorithm was observed to perform quite well. The summarized texts are classified with one of the deep learning methods, Long- Short term memory (LSTM) networks. Experimental results showed that the classification success of the LSTM network increased in the summaries created with the GWO algorithm. GWO algorithm is presented as a new approach for inferential summarization methods.en_US
dc.identifier.endpage58en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=_F5QEpayDXGqGZlp9XiFtAyqpr_CxiNpR7J4hONooh4SP5cMr1RZTPtsOhWyC4H_
dc.identifier.urihttps://hdl.handle.net/20.500.12684/7254
dc.institutionauthorDudak, Ebruen_US
dc.language.isotren_US
dc.publisherDüzce Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.titleGri kurt optimizasyon algoritması ile çıkarımsal metin özetleme ve özetlerin derin öğrenme ile sınıflandırılmasıen_US
dc.title.alternativeExtracti?ve text summari?zation by gray wolf optimization algorithm and classification of abstracts with deep learningen_US
dc.typeMaster Thesisen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
634927.pdf
Boyut:
2.02 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Tam Metin / Full Text
İndir

Koleksiyon

Tez Koleksiyonu