Denetlemeli kelime anlamı belirginleştirmede kullanılan özelliklerin ayırdediciliğinin biçimsel kavram analizi yardımı ile değerlendirilmesi

Abstract

Kelime Anlamı Belirginleştirme (KAB) alanında Denetimli Makine Öğrenmesi (DMÖ) teknikleri yoğun olarak kullanılmaktadır. Makine öğrenmesi alanındaki en önemli problemlerden biri kullanılacak özelliklerin seçimidir. Çünkü öğrenme algoritmalarının başarımı ve çalışma zamanı buna bağlıdır. Bu çalışmada, özellik seçimi için Biçimsel Kavram Analizi (BKA) tabanlı bir filtrenin kullanılabileceği geliştirilen bir uygulama aracılığı ile gösterilmiştir.Birinci bölümde, tezin amacı ana hatlarıyla verilmiştir.İkinci bölümde, Kelime Anlamı Belirginleştirme alanına ilişkin kapsamlı bir bilgi verilmiştir.Üçüncü bölümde, Denetimli Makine Öğrnemesi konusu KAB alanından basit bir örnek yardımı ile açıklanmıştır.Dördüncü bölümde, Biçimsel Kavram Analizine ilişkin temel kavramlar ve yazılımlar matematiksel ayrıntılara girilmeden verilmiştir.Beşinci bölümde, KAB alanında sınırlı bir veri seti aracılığı ile denetimli makine öğrenmesi uygulandığında ortaya çıkabilecek durumlar ve bu durumların BKA tabanlı bir filtre yardımı ile görselleştirilmesi sonucu elde edilecek bilgiler uygulama yardımı ile verilmiştir.Sonuç olarak, bir uygulama aracılığı ile BKA tabanlı bir filtrenin denetimli makine öğrenmesinden teknikleri kullanan KAB yöntemlerinin başarımına nasıl katkı sağlayacağı açıklanmıştır.

Supervised Machine Learning techniques are frequently used in the field of Word Sense Disambiguation (WSD). One of the most important problems of machine learning is the selection of features which will be used for learning process. Performance and time requirements of learning algorithms are affected by this selection. In this study, it is shown that a Formal Concept Analysis (FCA) based filter can be used for the selection of features.Chapter 1 gives an overview of the aim of the thesis.Chapter 2 provides some background information about Word Sense Dismabiguation.Chapter 3 explains Supervised Machine Learning with the help of a simple WSD application.Chapter 4 introduces FCA related basic concepts and software without formal/mathematical definitions.Chapter 5 presents the details of application with a limited data set to show that an FCA-based filter usage.The evaluation of filter and work to be done in the future are discussed in Chapter 6.To sum up, as a result of this study, an FCA-based filter has been developed to be used with WSD techniques which benefit from supervised machine learning methods and has been explained in details.