Kütüphane danışma sorularının makine öğrenmesi yaklaşımıyla yanıtlanması: Akademik veri tabanları üzerine bir çalışma

Dünya genelinde bütün sorunların çözümü için kullanışlı tek bir makine öğrenmesi algoritmasının bulunmaması ve birçok bilim alanının çeşitli makine öğrenmesi algoritmalarını besleyerek alana özgü uygulamalarında bu algoritmaları tercih ediyor olması, Kütüphanecilik ve Bilgi Bilimi disiplininde gerçekleştirilen makine öğrenmesi projelerinde kullanışlı algoritmaların neler olduğunu merak konusu haline getirmiştir. Bu doğrultuda çalışmada, bilgi keşfi sürecinde herhangi bir konudaki bilgi kaynağı gereksinimini betimleyen doğal dil sorularının, makine öğrenmesi yaklaşımıyla yanıtlanmasını sağlamak için geliştirilen modelin ve uygun algoritmaların belirlenmesi hedeflenmiştir. Akademik veri tabanlarından elde edilen özniteliklerin oluşturduğu eğitim veri seti, çeşitli veri madenciliği işlemlerinden geçirilerek makinenin öğrenebileceği formata dönüştürülmüştür. Ardından kütüphane danışma birimlerine yöneltilmesi muhtemel, bir konu hakkında bilgi kaynağı gereksinimini betimleyen, doğal dil soruları taklit edilerek 7300 sorudan oluşan test veri seti hazırlanmıştır. Metin madenciliği ve doğal dil işleme teknikleriyle işlem süzgecinden geçirilen test veri setiyle modelin sınanması istenmiştir. Veri matrislerine uygun olan Destek Vektör Makinesi, Olasılıksal Sinir Ağı, K-En Yakın Komşu, Naive Bayes, Bulanık Mantık, Karar Ağacı ve Derin Öğrenme (DL4J) algoritmaları hem varsayılan ve hem de iyileştirilmiş hiper parametre ayarlarıyla test edilmiştir. En kullanışlı algoritma olduğu saptanan Destek Vektör Makinesinden %92,7 oranında başarım yüzdesi elde edilmiştir. Buna alternatif algoritmalar ise Derin Öğrenme (%72,3) ve Olasılıksal Sinir Ağı (%70,5) olarak belirlenmiştir.