Derin öğrenme ve ortak yayın ağı analitiklerine dayalı bir hibrit bilimsel makale öneri sistemi

Son yıllarda internetin gelişmesiyle, internetteki bilgi ve kaynak fazlalığından ötürü akademik araştırmacılar kendi çalışmalarına ve ilgi alanlarına yönelik en uygun makaleyi bulabilmek için daha fazla zaman ve enerji harcamaktadır. Araştırmacıların internetteki bilgi yığını içinde kaybolmaması ve araştırma sürecinin kolaylaştırması açısından makale öneri sistemleri daha da değerli hale gelmiştir. Geleneksel öneri sistemleri veri seyrekliği, yeni gelen bir makale ile ilgili az verinin olması vb. problemlerden ötürü etkili çalışmamaktadır. Bu problemlerin üstesinden gelebilmek ve daha etkili sonuçlar alabilmek için, öneri sistemlerinde son yıllarda yapay sinir ağı modelleri kullanılmaya başlandı. Etkili bir yapay sinir ağı modeli olan derin öğrenme ile makalelerin başlık ve özet bilgileri metin vektörlerine çevrilerek, makaleler arasındaki doğrusal olmayan ilişkiler tespit edilebilmektedir. Ek olarak, makale yazarlarının birbirleri arasındaki ilişki, yazarların ilerideki çalışmalarında kullanacakları makale tercihlerinde büyük etki yaratmaktadır. Makale yazarlarının birlikte ortak yayın çıkardığı yazarlar, bu yazarların yazdıkları diğer makaleler ya da referans gösterdikleri makaleler arasındaki ilişkinin sosyal ağ analizleri ile incelenmesi öneri sistemlerinin performansını arttırmaktadır. Bu çalışmada ise Siamese BiLSTM derin öğrenme algoritması kullanılarak makaleler arasındaki metin benzerlikleri ile Node2Vec sosyal ağ analizi kullanılarak makale yazarları arasındaki benzerlik değerlerini analiz eden hibrit bir makale öneri sistemi geliştirilmiştir. Gerçekleştirilen denemelerde, önerileri sayısının 100'e ulaştığı durumda tahmin doğruluğunun ortalama olarak 7% seviyesine ulaştığı görülmüştür.