Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi

AYŞE BERNA ALTINEL GİRGİN (MARMARA Ü.)
BİLGE ŞİPAL SERT, (İSTANBUL KÜLTÜR Ü.)
ZEYNEP İLKNUR KARADENİZ (IŞIK Ü. MÜHENDİSLİK VE DOĞA BİLİMLERİ F. BİLGİSAYAR MÜHENDİSLİĞİ B.)
GİZEM GÜMÜŞÇEKİÇCİ,
MEHMET ÖZTÜRK,
KÜBRA BUZLU,
EREN ELMA,
GÖKBERK ÇELİKMASAT,
BERRA MERCAN,
MUHAMMED ENES AKTÜRK,
AHMET ÖNKOL,
BATIKAN BORA ORMANCI,
KAAN İPEK,
YUNUS EMRE ERTUNÇ,
NURİ CAN BİRDEMİR,
20 0

Proje Grubu: EEEAG Sayfa Sayısı: 101 Proje No: 120E187 Proje Bitiş Tarihi: 15.02.2023 Metin Dili: Türkçe DOI: 120E187 İndeks Tarihi: 29-01-2024

Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi

Öz:
Bu proje teklifinde sunulan projemiz 3 ana hedeften oluşmaktadır. Bunlar: 1. Türkçe eş sesli kelimelerin bulundukları bağlamdaki doğru anlamlarının tespit edilmesi, 2. Türkçe uzun ve kısa metinlerin konu ve duygu bazlı sınıflandırması, 3. Türkçe metinlerin konu ve duygu siniflandirmasinı yapan kamuya açik ve ulaşilabilir bir servisin oluşturulmasi. Bu hedeflere ulaşmak için geliştirilecek olan projemiz aşağıdaki katkıları sağlayacaktır: 1. Anlam bulanıklığını (Word Sense Disambiguation) gidermek için Difüzyon Algoritması tabanlı özgün makine öğrenmesi ve derin öğrenme yöntemlerinin geliştirilmesi. 2. Türkçe metinlerin konu bazlı ve duygu bazlı olarak sınıflandırılması için özgün eğiticili ve yarı-eğiticili makine öğrenmesi ve derin öğrenme yöntemlerinin geliştirilmesi. Bu proje teklifinde sunulan eğiticili ve yarı-eğiticili Difüzyon Algoritması ve bi-LSTM Algoritması içerikli makine öğrenmesi ve derin öğrenme algoritmaları Türkçe metinlerin duygu sınıflandırması için gözlemlediğimiz kadarıyla daha önce hiç kullanılmamıştır. 3. Türkçe eş sesli kelimelerin anlam bulanıklığını gidermeye yönelik olarak Fan ve ekibi tarafından (2018) birçok doğal dil modelleme teknikleri birleştirilerek ortaya çıkarılmış literatürdeki en başarılı Seq2Seq modellerinden birisi olarak gösterilen Self Attention (?Fusion of Seq2Seq+Self Attention?) algoritması kullanılması. Bu algoritma Türkçe metinler için gözlemlediğimiz kadarıyla daha önce hiç kullanılmamıştır. 4. İngilizce sözlüklerden çeviri yapılmadan, Türkçe sözlük kaynaklarının sözlük-tabanlı özellikler geliştirilerek mevcut kapsamının genişletilmesi ve bu konuda çalışan araştırmacıların erişimine açık hale getirilmesi. 5. Türkçe Metinlerin Duygu Sınıflandırması için makine öğrenmesi ve sözlük temelli yaklaşımların birleşimiyle oluşan hibrit bir yöntemin sunulması. 6. Türkçe için özelleştirilmiş ön işleme çalışmasının yapılması:Kelimelerin köke indirgeme işlemleri yapılırken ?-me/ma, sız/siz? gibi eklerin korunması gerekir, çünkü bunlar kelimelerin duygu polarite değerlerini etkilemektedir. 7. Bu proje teklifinde önerilen çalışma kapsamında Türkçe için büyük miktarda duygu ve konu bazlı veri kümelerinin oluşturulması, ayrıca ilgili kıyaslama ve doğrulama yöntemlerinin de yine sunulacak sistem içerisinde kamuya açık hale getirilmesi. 8. Türkçe metinlerin duygu sınıflandırması çalışmalarında duyarlılık analizinin (-5 ve +5 arasında) yapılması ve metnin tüm özelliklerinin (emojiler vb.) dikkate alınması. Yukarıda listelenen bilimsel ve teknolojik katkıların, çeşitli sosyo-ekonomik etkileri de olacaktır. Örneğin Türkiye?de 2018 yılında günlük ortalama 7 milyon tweet atılmaktadır. Bu bağlamda metinlerin konu ve duygu bazlı olarak doğru ve hızlı sınıflandırılması pazarlama, reklam,ekonomi gibi alanlarda ve politik ve askeri bazı senaryolarda da kritik kararlar verirken yüksek bir öneme sahiptir. Sunulan proje 30 ayda, Matematik konularında uzman bir kişiden alınacak eğitim ile, 1 yüksek-lisans bursiyeri ve 4 lisans bursiyerinin katkılarıyla disiplinlerarası bir çalışma olarak yürütülecektir. Proje yürütücüsü 3501 kodlu bu proje önerisi ile büyük bir projede proje yürütücülüğü deneyimi kazanıp ve sonrasında Avrupa Birliği projeleri yazmayı ve doçentlik başvurusunu yapmayı planlamaktadır.Projede geliştirilecek yöntemler bursiyerlerin tezlerine katkı sağlayacaktır. Geliştirilecek olan sistem diğer araştırmacıların erişimine açılacağı için Türkçe dilinin tanıtılması, yaygınlaşması ve Türk ve yabancı araştırmacılar tarafından daha çok kullanılmasını teşvik edecektir. Ayrıca ulusal şirketlerle işbirliği yapılarak geliştirilecek yöntem ve tecrübelerin aktarılması ve bu konuda ulusal ekonomiye katkı sağlanması da amaçlanmaktadır.
Anahtar Kelime: Metinsel Veri Madenciliği Kelime Anlamı Belirginleştirme Duygu Sınıflandırması Makine Öğrenmesi

TurKSA: Development of Novel Machine Learning and Deep Learning Methods Including Diffusion and Seq2Seq-Fusion Algorithms for Subjective and Sentiment Classification of Turkish Texts and WSD

Öz:
The project presented in this project proposal consists of 3 main objectives. These: 1. Word Sense Disambiguation of Turkish words, 2. Subjective and Sentiment Classification of Turkish short and long texts, 3. Creation of a publicly available service that performs the subject and sentiment classification of Turkish texts. Our project, which will be developed to reach these goals, will make the following contributions: 1. Development of Diffusion-based novel machine learning and deep learning methods for Word Sense Disambuguation. 2. Development of novel supervised and semi-supervised machine learning and deep learning methods for sentiment classification of Turkish texts. To the best of our knowledge, supervised and semi-supervised diffusion algorithm and bi-LSTM algorithm based machine learning and deep learning algorithms which are proposed in this project proposal have never been used for the sentiment classification of Turkish texts. 3. Using the Self Attention (?Fusion of Seq2Seq + Self Attention?) algorithm, which is shown by Fan and his team (2018) as one of the most successful Seq2Seq models in the literature, by combining many natural language modeling techniques to resolve the ambiguity of Turkish polysemous words. This algorithm has never been used in the literature as far as we can observe for Turkish texts. 4. Extending the available scope of Turkish dictionary resources by developing dictionary-based features without making translations from English dictionaries and making these extended resources accessible to researchers working on this topic. 5. To present a hybrid method which is formed by the combination of machine learning and dictionary based approaches for sentiment classification of Turkish texts. 6. Conducting customized preprocessing for Turkish: Attachments such as ?-me/ma, sız/siz? should be preserved while stemming, because these affect the emotional polarity values of the words. 7. Within the scope of the study proposed in this project proposal, it is planned to create a large amount of sentimental and subjective data sets for Turkish, and to make the corresponding comparison and verification methods publicly available within the system to be presented. 8. Conducting sensitivity analysis (between -5 and +5) in the sentiment classification studies of Turkish texts and taking all the features of the text (emojis etc.) into account. The scientific and technological contributions listed above will also have various socio-economic impacts. For example, in Turkey, in 2018, 7 million tweets per day was sent In this context, accurate and fast subjective and sentiment classification of texts is of great importance when making critical decisions in areas such as marketing, advertising, economics and in some political and military scenarios. The presented project will be carried out in 30 months as a multidisiplineary study with the contribution of 1 training, 1 graduate scholarship and 4 undergraduate students. With this 3501 Carrier Project Proposal, the project manager plans to gain project management experience in a larger project and then write European Union projects and apply for associate professorship.The methods to be developed in the project will contribute to the thesis of scholars, and the experience of the researchers. Since the system to be developed will be accessible to other researchers, it will encourage the introduction of Turkish language, its widespread use, and its use by Turkish and foreign researchers at home and abroad. It is also aimed to transfer methods and experiences to be developed in cooperation with national companies and to contribute to the national economy in this regard.
Anahtar Kelime: Metinsel Veri Madenciliği Kelime Anlamı Belirginleştirme Duygu Sınıflandırması Makine Öğrenmesi

Erişim Türü: Bibliyografik
  • Akın, A. A. and Akın, M. D., 2007. “Zemberek, an open source nlp framework for turkic languages”, Structure, 10. 91
  • Alp, Z. Z., & Öğüdücü, S. G., 2015. “Extracting topical information of tweets using hashtags”, In Machine Learning and Applications (ICMLA), 2015 IEEE 14th International Conference on (pp. 644-648). IEEE.
  • Altınel, B. & Ganiz, M. C., 2018. “Semantic text classification: A survey of past and recent advances”, Information Processing & Management, 54(6), 1129-1153.
  • Balinsky, H., Balinsky, A. and Simske, S., 2010. “On the Helmholtz principle for documents processing” Proc. of the 10th ACM DocEng.
  • Balinsky, H., Balinsky, A. and Simske, S., 2011a. “Document sentences as a small world”, Proc. of IEEE SMC.
  • Balinsky, H., Balinsky, A. and Simske, S., 2011b. “On the Helmholtz principle for data mining” Proc. of 2011 Conf. on Knowledge Discovery, Chengdu, China.
  • Balinsky, H., Balinsky, A. and Simske, S., 2011c. “Rapid change detection and text mining”, the 2nd IMA Conf. on Mathematics in Defence, Defence Academy, UK.
  • Balinsky, H., Balinsky, A., & Simske, S. J., 2011d. “Automatic text summarization and small-world networks”, In Proceedings of the 11th ACM symposium on Document engineering (pp. 175-184). ACM.
  • Bilgin M., Şentürk İ., 2017. “Sentiment Analysis on Twitter data with Semi- Supervised Doc2Vec”, 2nd International Conference on Computer Science and Engineering (UBMK’17), doi:10.1109/UBMK.2017.8093492, Antalya- Türkiye, 4-7 October.
  • Bilgin, M., & Şentürk, İ. F., 2017. “Sentiment analysis on Twitter data with semi-supervised Doc2Vec”, In 2017 international conference on computer science and engineering (UBMK) (pp. 661-666). IEEE.
  • Block, H.D., 1962. “The perceptron: A model for brain functioning”, Reviews of Modern Physics, 34(1), 123.
  • Blum, A. and Mitchell, T., 1998. “Combining labeled and unlabeled data with co-training”, Proc. Conf. on Computational Learning Theory, pp. 92-100.
  • Boser B. E., Guyon I. M., Vapnik V.N., 1992. “A Training Algorithm for Optimal Margin Classifier”, Proceedings of the 5th ACM Workshop, Computational Learning Theory, 144–152, Pittsburgh.
  • Chakraborti, S., Lothian, R., Wiratunga, N., & Watt, S., 2006. “Sprinkling: supervised latent semantic indexing”. In European Conference on Information Retrieval (pp. 510-514). Springer, Berlin, Heidelberg.
  • Chalothom, T., & Ellman, J., 2015. “Simple approaches of sentiment analysis via ensemble learning”, In information science and applications (pp. 631-639). Springer, Berlin, Heidelberg.
  • Chapelle, O. and Zien, A., 2005. “Semi-supervised classification by low density separation”, Proceedings of the Tenth International Workshop on Artificial Intelligence and Statistics.
  • Collobert R. and Weston, J., 2008. “A unified architecture for natural language processing: Deep neural networks with multitask learning”, In Proceedings of the 25th International Conference on Machine Learning, pages 160 - 167.
  • Damian, R., and Jones, C., 2009. “Understanding Digital Marketing (First Edition)”, Philadelphia: Kogan Page.
  • Dehkharghani, R., Yanikoglu, B., Saygin, Y., & Oflazer, K., 2015. “Sentiment analysis in Turkish: towards a complete framework”, Natural Language Engineering.
  • Denecke, K., 2008. “Using sentiwordnet for multilingual sentiment analysis”, In 2008 IEEE 24th International Conference on Data Engineering Workshop (pp. 507-512). IEEE.
  • Edmonds, P. and Cotton, S., 2001. “Senseval-2: overview”, in Proceedings of SENSEVAL-2 Second International Workshop on Evaluating Word Sense Disambiguation Systems, pp. 1– 5.
  • Erdem F., Derinpınar M., Nasirzadehdizaji R., Oy S., Şeker D., Bayram B., 2018. “Rastgele orman yöntemi kullanılarak kıyı çizgisi çıkarımı İstanbul örneği”, Geomatik Dergisi (Journal of Geomatics), 3(2), 100-107. Eroğul, U., 2009. “Sentiment analysis in Turkish”, (Master's thesis).
  • Fan, A., Lewis, M., & Dauphin, Y., 2018. Hierarchical neural story generation. arXiv preprint arXiv:1805.04833.
  • Fey M. and Lenssen J.E., 2019. "Fast Graph Representation Learning with PyTorch Geometric", Representation Learning on Graphs and Manifolds ICLR 2019 Workshop.
  • Graves, A. and Schmidhuber, J., 2005. “Framewise phoneme classification with bidirectional lstm and other neural network architectures”, Neural Networks, 18(5):602 - 610..
  • Gupta A., Matta P., Pant B., 2021. “Graph neural network: Current state of Art, challenges and applications”, Materials Today: Proceedings, 46, 10927-10932.
  • Hakdağlı Ö., Oğul İ., Ozcan C., 2017. “Text classification with spark support vector machine”, 1. Ulusal Bulut Bilişim ve Büyük Veri Sempozyumu, Antalya-Türkiye, 19-20 October.
  • Hochreiter, S. and Schmidhuber,J, 1997. “Long Short-Term Memory”, Neural Comput., 9(8):1735 - 1780.
  • Hu, X., Tang, J., Gao, H., & Liu, H., 2014. “Social spammer detection with sentiment information”, In 2014 IEEE International Conference on Data Mining (pp. 180-189). IEEE.
  • Iacobacci,I. Pilehvar,M.T. and Navigli, R, 2016. “Embeddings forWord Sense Disambiguation: An Evaluation Study”, In Proc.of ACL, pages 897 - 907.
  • Kageback, M. and Salomonsson, H., 2016. ”Word Sense Disambiguation using a Bidirectional LSTM”, In Proceedings of CogALex, pages 51 - 56.
  • Kara A., 2019. “Global solar irradiance time series prediction using Long Short-Term Memory network”, Gazi Üniversitesi-Fen Bilimleri Dergisi (GU J Sci), Part C, 7(4), 882-892.
  • Kaya, M., Fidan, G., & Toroslu, I. H., 2012. “Sentiment analysis of turkish political news”, In 2012 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology (Vol. 1, pp. 174-180). IEEE.
  • Khardon, R., and Wachman, G., 2007. ”Noise Tolerant Variants of the Perceptron Algorithm”, Journal of Machine Learning Research, 8(2), 1-2.
  • Kocaman, G., Şipal, B., Gerek, A., Altınel, B. ve Ganiz, M. C., 2019. “Diffused Label Propagation based Transductive Classification Algorithm for Word Sense Disambiguation”, 2019 IEEE International Symposium on INnovations in Intelligent SysTems and Applications (INISTA), pp. 1-6.
  • Lan, M., Tan, C. L., Su, J., & Lu, Y., 2009. “Supervised and traditional term weighting methods for automatic text categorization”. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 31(4), 721-735.
  • Le, M., Postma, M. Urbani, J. and Vossen, P., 2018. “A Deep Dive into Word Sense Disambiguation with LSTM”, Proceedings of the 27th International Conference on Computational Linguistics, pages 354 - 365.
  • Leacock, C., Towell, G., ve Voorhees, E., 1993. “Corpus-based statistical sense resolution”, in Proceedings of the ARPA Workshop on Human Language Technology, pp. 260–265.
  • Luo, F., Liu, T., Xia, Q., Chang, B. and Sui, Z., 2018. “Incorporating Glosses into Neural Word Sense Disambiguation”, Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Long Papers), pages 2473 -482.
  • McCallum, A. K. (2002). Mallet: A machine learning for languagetoolkit. http://mallet. cs. umass. edu.
  • Melamud, O., Goldberger,J. and Ido Dagan, 2016. “context2vec: Learning Generic Context Embedding with Bidirectional LSTM”, In Proc. of CoNLL, pages 51 - 61.
  • Mikolov, T. Chen,K., Corrado, G. and Dean, J, 2013. “Efficient estimation of word representations in vector space”, arXiv preprint arXiv:1301.3781.
  • Miller, G. A., Beckwith, R.T., Fellbaum, R.T., Gross, D. and Miller, K., 1990. “WordNet: an online lexical database”, International Journal of Lexicography, 3(4):235 - 244.
  • Nigam, K. et al., 2000. “Text classification from labeled and unlabeled documents using EM”, Machine Learning, vol. 39(2/3), pp. 103-134.
  • Oflazer, K., 1994. “Two-level description of turkish morphology”, Literary and linguistic computing, 9(2):137–148.
  • Orhan U., Adem K., 2012. “Naive Bayes yönteminde olasılık çarpanlarının etkileri”, 2012 Elektrik - Elektronik ve Bilgisayar Mühendisliği Sempozyumu, Bursa-Türkiye, 29 November - 01 .December.
  • Oypan, S., 2019. “2019’da bilmeniz gereken Twitter istatistikleri”, https://www.ideasoft.com.tr/2019-twitter-istatistik/ Son erişim tarihi: 19.03.2023.
  • Pennington, J., Socher, R., & Manning, C. D., 2014. “Glove: Global vectors for word representation”, In Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP) (pp. 1532-1543).
  • Petersen, T., 2022. “Sense tagged text”, https://www.d.umn.edu/~tpederse/data.html Son erişim tarihi: 09.06.2022. Ramos, J., 2003. “Using tf-idf to determine word relevance in document queries”, In Proceedings of the first instructional conference on machine learning, 242(1), pp. 29-48.
  • Rosenberg, C. et al., 2005. “Semi-supervised self-training of object detection models”, Seventh IEEE Workshop on Applications of Computer Vision.
  • Sak,H. Güngör, T. and Saraçlar, M, 2008. “Turkish language resources: Morphological parser, morphological disambiguator and web corpus”, In Advances in natural language processing, pages 417–427. Springer, 2008.
  • Salah, Z., Al-Ghuwairi, A. R. F., Baarah, A., Aloqaily, A., Qadoumi, B. A., Alhayek, M., & Alhijawi, B., 2019”. “A systematic review on opinion mining and sentiment analysis in social media”, International Journal of Business Information Systems, 31(4), 530-554.
  • Shannon, C.E., 2001. “A mathematical theory of communication”, ACM SIGMOBILE mobile computing and communications review, 5(1), pp. 3–55.
  • Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I. and Salakhutdinov, R., 2014. “Dropout: A simple way to prevent neural networks from overfitting”, The Journal of Machine Learning Research,15(1):1929 – 1958
  • Stevenson, M. and Wilks, Y., 2003. “Word sense disambiguation”, The Oxford handbook of computational linguistics, vol. 249, p. 249.
  • Taghipour, K., & Ng, H. T., 2015. “Semi-supervised word sense disambiguation using word embeddings in general and specific domains”, In Proceedings of the 2015 conference of the North American chapter of the association for computational linguistics: human language technologies (pp. 314-323).
  • TensorFlow,Word2Vec, https://www.tensorflow.org/tutorials/text/word2vec Son erişim tarihi: 27.08.2022.
  • Thelwall, M., Buckley, K., Paltoglou, G., Cai, D., Kappas, A., 2010. “Sentiment strength detection in short informal text”, Inf. Sci. Technol, 61(12), 2544–2558.
  • Türkmenoglu, C., & Tantug, A. C., 2014. “Sentiment analysis in Turkish media”, In International Conference on Machine Learning (ICML).
  • Tyagi, N., Chakraborty, S., Kumar, A., Romeo, N. K. 2022. “Word sense disambiguation models emerging trends: A comparative analysis”, in Journal of Physics: Conference Series, vol. 2161, no. 1. IOP Publishing, p. 1-6.
  • Van de Cruys, T., 2011. “Two multivariate generalizations of pointwise mutual information”, in Proceedings of the Workshop on Distributional Semantics and Compositionality, pp. 16–20.
  • Velickovic P., Cucurull G., Casanova A., Romero A., Lio P., and Bengio Y., 2018. "Graph attention networks" ICLR.
  • Vural, A. G., Cambazoglu, B. B., Senkul, P., & Tokgoz, Z. O., 2013. “A framework for sentiment analysis in Turkish: Application to polarity detection of movie reviews in Turkish”,.In Computer and Information Sciences III (pp. 437- 445). Springer, London.
  • Welling M. and Kipf T.N., 2017. "Semi-supervised classification with graph convolutional networks," in ICLR.
  • Wikipedia, Support Vector Machine, https://en.wikipedia.org/wiki/Support_vector_machine. Güncelleme Tarihi: Aralık 2, 2022, Erişim Tarihi: Aralık 10, 2022.
  • Yao L., Mao C., Luo Y., 2019. “Graph convolutional networks for text classification”, in Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 7370–7377.
  • Yarowsky, D., 1995. “Unsupervised word sense disambiguation rivaling supervised methods”, In: Proceedings of the 33rd Annual Meeting of the Association for Computational Linguistics, pp. 189–196.
  • Yıldırım, Ezgi, et al., 2015. “The impact of NLP on Turkish sentiment analysis”, Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 2015, 7.1: 43-51.
  • Yıldız, B., 2019. “Twitter İstatistikleri”,https://www.brandingturkiye.com/twitter-istatistikleri-guncel/ Son erişim tarihi: 19.03.2023.
  • Yuan, D., Richardson, J., Doherty, R., Evans, C., & Altendorf, E., 2016. “Semi-supervised word sense disambiguation with neural models”, arXiv preprint arXiv:1603.07012.
  • Zhang S., Tong H., Xu J., Maciejewski R., 2019. “Graph convolutional networks: a comprehensive review”, Computational Social Networks, 6(1), 1-23.
  • Zhong, Z., & Ng, H. T., 2010. “It makes sense: A wide-coverage word sense disambiguation system for free text”, In Proceedings of the ACL 2010 system demonstrations (pp. 78-83).
  • Zhou, Z. H. and M. Li, 2005. “Tri-training: Exploiting unlabeled data using three classifiers”, IEEE Transactions on Knowledge and Data Engineering, vol. 17, pp. 1529-1541.
  • Zhu, X. J., 2005. “Semi-supervised learning literature survey”, Technical Report, Department of Computer Sciences, University of Wisconsin at Madison, Madison, WI.
APA ALTINEL A, Şipal Sert B, karadeniz i, GÜMÜŞÇEKİÇCİ G, ÖZTÜRK M, BUZLU K, ELMA E, ÇELİKMASAT G, MERCAN B, AKTÜRK M, ÖNKOL A, ORMANCI B, İPEK K, ERTUNÇ Y, BİRDEMİR N (2023). Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi. , 0 - 101. 120E187
Chicago ALTINEL AYSE BERNA,Şipal Sert Bilge,karadeniz ilknur,GÜMÜŞÇEKİÇCİ GİZEM,ÖZTÜRK MEHMET,BUZLU KÜBRA,ELMA EREN,ÇELİKMASAT GÖKBERK,MERCAN BERRA,AKTÜRK MUHAMMED ENES,ÖNKOL AHMET,ORMANCI BATIKAN BORA,İPEK KAAN,ERTUNÇ YUNUS EMRE,BİRDEMİR NURİ CAN Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi. (2023): 0 - 101. 120E187
MLA ALTINEL AYSE BERNA,Şipal Sert Bilge,karadeniz ilknur,GÜMÜŞÇEKİÇCİ GİZEM,ÖZTÜRK MEHMET,BUZLU KÜBRA,ELMA EREN,ÇELİKMASAT GÖKBERK,MERCAN BERRA,AKTÜRK MUHAMMED ENES,ÖNKOL AHMET,ORMANCI BATIKAN BORA,İPEK KAAN,ERTUNÇ YUNUS EMRE,BİRDEMİR NURİ CAN Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi. , 2023, ss.0 - 101. 120E187
AMA ALTINEL A,Şipal Sert B,karadeniz i,GÜMÜŞÇEKİÇCİ G,ÖZTÜRK M,BUZLU K,ELMA E,ÇELİKMASAT G,MERCAN B,AKTÜRK M,ÖNKOL A,ORMANCI B,İPEK K,ERTUNÇ Y,BİRDEMİR N Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi. . 2023; 0 - 101. 120E187
Vancouver ALTINEL A,Şipal Sert B,karadeniz i,GÜMÜŞÇEKİÇCİ G,ÖZTÜRK M,BUZLU K,ELMA E,ÇELİKMASAT G,MERCAN B,AKTÜRK M,ÖNKOL A,ORMANCI B,İPEK K,ERTUNÇ Y,BİRDEMİR N Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi. . 2023; 0 - 101. 120E187
IEEE ALTINEL A,Şipal Sert B,karadeniz i,GÜMÜŞÇEKİÇCİ G,ÖZTÜRK M,BUZLU K,ELMA E,ÇELİKMASAT G,MERCAN B,AKTÜRK M,ÖNKOL A,ORMANCI B,İPEK K,ERTUNÇ Y,BİRDEMİR N "Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi." , ss.0 - 101, 2023. 120E187
ISNAD ALTINEL, AYSE BERNA vd. "Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi". (2023), 0-101. https://doi.org/120E187
APA ALTINEL A, Şipal Sert B, karadeniz i, GÜMÜŞÇEKİÇCİ G, ÖZTÜRK M, BUZLU K, ELMA E, ÇELİKMASAT G, MERCAN B, AKTÜRK M, ÖNKOL A, ORMANCI B, İPEK K, ERTUNÇ Y, BİRDEMİR N (2023). Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi. , 0 - 101. 120E187
Chicago ALTINEL AYSE BERNA,Şipal Sert Bilge,karadeniz ilknur,GÜMÜŞÇEKİÇCİ GİZEM,ÖZTÜRK MEHMET,BUZLU KÜBRA,ELMA EREN,ÇELİKMASAT GÖKBERK,MERCAN BERRA,AKTÜRK MUHAMMED ENES,ÖNKOL AHMET,ORMANCI BATIKAN BORA,İPEK KAAN,ERTUNÇ YUNUS EMRE,BİRDEMİR NURİ CAN Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi. (2023): 0 - 101. 120E187
MLA ALTINEL AYSE BERNA,Şipal Sert Bilge,karadeniz ilknur,GÜMÜŞÇEKİÇCİ GİZEM,ÖZTÜRK MEHMET,BUZLU KÜBRA,ELMA EREN,ÇELİKMASAT GÖKBERK,MERCAN BERRA,AKTÜRK MUHAMMED ENES,ÖNKOL AHMET,ORMANCI BATIKAN BORA,İPEK KAAN,ERTUNÇ YUNUS EMRE,BİRDEMİR NURİ CAN Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi. , 2023, ss.0 - 101. 120E187
AMA ALTINEL A,Şipal Sert B,karadeniz i,GÜMÜŞÇEKİÇCİ G,ÖZTÜRK M,BUZLU K,ELMA E,ÇELİKMASAT G,MERCAN B,AKTÜRK M,ÖNKOL A,ORMANCI B,İPEK K,ERTUNÇ Y,BİRDEMİR N Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi. . 2023; 0 - 101. 120E187
Vancouver ALTINEL A,Şipal Sert B,karadeniz i,GÜMÜŞÇEKİÇCİ G,ÖZTÜRK M,BUZLU K,ELMA E,ÇELİKMASAT G,MERCAN B,AKTÜRK M,ÖNKOL A,ORMANCI B,İPEK K,ERTUNÇ Y,BİRDEMİR N Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi. . 2023; 0 - 101. 120E187
IEEE ALTINEL A,Şipal Sert B,karadeniz i,GÜMÜŞÇEKİÇCİ G,ÖZTÜRK M,BUZLU K,ELMA E,ÇELİKMASAT G,MERCAN B,AKTÜRK M,ÖNKOL A,ORMANCI B,İPEK K,ERTUNÇ Y,BİRDEMİR N "Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi." , ss.0 - 101, 2023. 120E187
ISNAD ALTINEL, AYSE BERNA vd. "Türkmed: Türkçe Metinlerin Konusal / Duygusal Sınıflandırması Ve Kelimelerin Anlam Bulanıklığını Gidermek Için Difüzyon Ve Seq2seq-Füzyon Algoritmalarını İçeren Özgün Makine Öğrenmesi Ve Derin Öğrenme Yöntemlerinin Geliştirilmesi". (2023), 0-101. https://doi.org/120E187
Sayfa Oluşturulma Tarihi
24-04-2024 10:42

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları