Uzman bulma problemine semantik web yaklaşımı
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Uzman Bulma problemi bir gerçek hayat problemidir. Özel bir konu üzerinde profesyonelleşmiş uzmanlara hem akademik hem de endüstriyel dünyada olan ihtiyaç yadsınamaz. Bugüne kadar uzman bulma problemine çözüm bulmak isteyen birçok sistem ortaya konulmuştur. Bu sistemler büyük ölçüde insan gücü ile toplanmış verilerden elle oluşturulmuş veritabanları kullanılarak gerçekleştirilmişlerdir. Veritabanlarının sadece belirli bir büyüklüğe kadar oluşturulabilmesi ve hem akademisyenlerin yeni çalışmaları ile güncellenememesi hem de güncel konuların kapsanamaması sebebiyle güncelliğini ve etkinliğini zamanla yitirmektedir. İnternetten toplanan veriler ile oluşturulmuş veritabanları üzerine geliştirilen yöntemlerin yerine, semantik web yaklaşımlarıyla oluşturulan, yaşayabilen sistemler hem güncelliğini korumakta hem de veriye ulaşımda daha kolay ve etkin bir yol olabilmektedirler. Bu sebeple semantik web yaklaşımının uzman bulma probleminin çözümünde kullanılabileceğini düşünerek çalışmalarımıza bu şekilde yön verdik. Çalışmamızda uzman bulma problemi için kullanılan diğer modelleri ve daha önceki çalışmaları incelerken, veri toplama, yorumlama ve anlamlandırma için bu çözümlerin üzerine kendi modellerimizi geliştirdik. Çalışmamızda akademisyenlerin profilleri ve uzmanlık alanlarının tespiti için DBLP datasını ve diğer semantik web verilerini kullandık. Bunun haricinde modellerimiz için Google Scholar üzerine web arayıcısı (crawler) yazılımı geliştirdik. Modellerimizin Java ve C# altyapısını kullanarak uygulamasını geliştirdik. Çıkan sonuçların performans değerlerini karşılaştırabilmek için de belirli bir küme setinde uzmanlık alanlarını bildiğimiz akademisyenlere ait sonuçlarla karşılaştırdık. Geliştirdiğimiz modelleri temel alarak geliştirdiğimiz hibrit modelle belirli bir konudaki en iyi (top-k) uzmanı bulma problemi için bir yaklaşım geliştirdik. En iyi uzmanı bulma problemine olan çözümümüzün etkinliğini değerlendirmek için daha önceden tanımlı veri kümelerini kullandık. Geliştirdiğimiz hibrit çözümün önceki çalışmalardan daha iyi sonuçlar verdiğini gösterdik. Expert Finding is a real life problem. The need for finding experts on a specific topic in both academic and industrial world is undeniable. Many systems and models have been performed in order to find a solution to this problem. These systems have used the data that has been collected manually in order to arrange an expert database. Since the collection of data is and keeping the data up to date is a big concern, we refer to Semantic Web data in order to collect, organize and analyze the data. We have used DBLP data in order to obtain academicians? profiles and their articles. Moreover we have developed a Google Scholar crawler in order to get citation values of articles. We have examined the previous methods and models that have been implemented to find experts. We have introduced our models and then implemented them with C# and Java programming languages. After the implementation we have tested and verified our solutions with the predefined sets of academicians and their area of interests. With the integration of our models, we have established a hybrid model in order to find top-k experts in a specific area. In order to measure our hybrid model?s performance, we have compared our results with the predefined top-k experts that have been verified.
Collections