Makine öğrenmesi yaklaşımları kullanarak urduca haberlerin kategorizasyonu

Hızlı teknolojik gelişmeler medyada haber içeriğinin sunuluş biçimini değiştirmiştir. Son otuz yıl, işletmeden ekonomiye, bilim ve teknolojiden spora kadar geniş bir yelpazede haber içeriği sunan dijital medya platformlarının ortaya çıkışına tanık oldu. Üretilen büyük miktarda veri nedeniyle, bunları otomatik olarak kategorize etme ihtiyacı ortaya çıkmıştır. Bu gelişmelere paralel olarak, Urduca haberlerin metin kategorizasyonu problemi dört makine öğrenme yaklaşımı kullanarak (Naïve Bayes, Destek Vektör Makineleri, Lojistik Regresyon ve Karar ağacı) ele alınmıştır. İlk aşamada, dört farklı kategoriye (Spor, İş & Ekonomi, Bilim & Teknoloji ve Eğlence) ait 4000 haber metni içeren veriler toplanarak bir veri kümesi oluşturulmuştur. Toplanan veriler işlenmemiş olduğundan makine öğrenimi modeli kurulmadan önce, dizge parçalama, durdurma sözcüklerinin kaldırılması ve baş kelimeyi bulma gibi ön işleme teknikleri uygulanmıştır. Daha sonra öznitelikler, Kelime Torbası ve Terim Sıklığı-Ters Doküman Sıklığı yöntemleriyle çıkartılmıştır. Son aşamada, doğruluk, kesinlik, geri çağırma ve F1 puanı metrikleri kullanılarak makine öğrenimi algoritmalarının performansı değerlendirilmiştir. İleride yapılacak çalışmalarda, daha fazla veri toplanması ile derin öğrenme modellerinden yararlanılabilir ve gerçek zamanlı kategorileştirme yapan bir sistem geliştirilebilir.