Doğal dil işleme yaklaşımları ile finansal raporların performans analizi ve özetlenmesi

Türkçe finansal metinlerin işlenmesine yönelik özetleme ve sınıflandırma görevleri bu tez çalışmasında ele alınmıştır. Çalışmanın temel amacı, finansal metinlerin bağlamsal anlamını koruyarak özetlenmesi ve doğru kategorilere ayrılması süreçlerini iyileştiren modeller geliştirmektir. Hipotezler, Transformer tabanlı modellerin bağlamsal doğruluğu yüksek özetler üretebileceği ve sınıflandırma modellerinin yüksek doğruluk oranlarıyla metinleri kategorize edebileceği üzerine kurulmuştur. Çalışmada, sınıflandırma için 8.524 metin, özetleme için ise 10.288 metin içeren iki ayrı veri seti kullanılmıştır. Veri setleri, finansal raporlar, analizler ve piyasa haberlerinden derlenmiştir. Özetleme için Cosmos LLaMA Instruct modeli özelleştirilmiş; sınıflandırma için ise farklı hiperparametreler ile optimize edilmiş derin öğrenme tabanlı bir model geliştirilmiştir. Modellerin performansı, bağlamsal ve yüzeysel metrikler kullanılarak kapsamlı bir şekilde değerlendirilmiştir. Bulgular, özetleme modelinin bağlamsal doğruluk açısından %66,41 BERT Skor ve %63,84 anlamsal benzerlik skoruna ulaştığını göstermektedir. Sınıflandırma modelinde ise %83,52 doğruluk, %85,53〖 F〗_1 skoru ve %83,65 hassasiyet elde edilmiştir. Elde edilen sonuçlar, Türkçe'nin düşük kaynaklı bir dil olmasından kaynaklanan sınırlamaların aşılabileceğini ve geliştirilen modellerin finansal analitik süreçlere önemli katkılar sunabileceğini ortaya koymaktadır. Çalışma, aynı zamanda düşük donanım gereksinimi sağlayan bellek dostu yöntemlerin etkinliğini de göstermektedir. Bu tez, Türkçe DDİ süreçlerinin geliştirilmesine yönelik önemli bir katkı sunmakta ve gelecekteki çalışmalar için yeni araştırma alanları önermektedir.