Finans sektöründe doğal dil işleme (NLP) ile rapor kümelendirme ve talep bazlı rapor önerileri oluşturma

Yapay zeka alanında yer alan teknolojilerin hızla gelişmesi ile hem akademinin hem de çeşitli sektörlerin ilgileri bu alana çevrilmiştir. Bu bağlamda müşteri ve ürün çeşitliliği fazla olan sektörlerde, yapay zeka teknolojileri arasında yer alan, doğal dil işleme ve makine öğrenmesi çalışmaları oldukça artmıştır. Doğal dil işleme, doküman sınıflandırma - kümeleme, adlandırılmış varlık tanıma, duygu analizi, yazım denetleme, sohbet botları, dil çeviri vb. çalışma konularına sahiptir. Bu çalışmada, finans sektöründe yer alan özel bir bankanın, rapor talep içerikleri kullanılarak derin öğrenme temelli doğal dil işleme ve makine öğrenmesi çalışması yapılmıştır. Çalışma kapsamında rapor talep içeriklerinin, TF-IDF, Word2vec ve Doc2vec kelime gömme yöntemleri ile temsilleri oluşturulmuş, makine öğrenmesi yöntemlerinden olan K-Means, K-Medoids ve Agglomerative kümeleme algoritmaları ile kümelenmiş ve aynı kümede yer alan birbirine en benzer rapor talep içerikleri adreslenmiştir. Çalışmada kümeleme başarıları Silhouette katsayısı, Calinski- Harabasz ve Davies-Bouldin indeksleri ile yorumlanmıştır. Çalışma ile yeni gelen bir rapor talebine benzeyen, daha önce yapılmış bir rapor talebi var ise bu talep & taleplerin adreslenmesi hedeflenmiştir. Çalışma sonucunda, üç kelime gömme yönteminde de en iyi kümeleme sonucu K- Means ile elde edilmiştir. Word2vec ve Doc2vec ile yapılan kümelemede, değerlendirme metriklerinin benzer sonuçlar verdiği, benzerlik çalışmasında ise 3 kelime gömme yöntemi ile elde edilen sonuçların benzer olduğu görülmüştür.