Affiliation:
1. SİVAS CUMHURİYET ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ, BİLGİSAYAR MÜHENDİSLİĞİ PR.
2. CUMHURİYET ÜNİVERSİTESİ, İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ, YÖNETİM BİLİŞİM SİSTEMLERİ BÖLÜMÜ
Abstract
Firmalarda, ihtiyaçlara yönelik gelen taleplerin doğru şekilde işlenmesi hem iş sürecini hızlandırır hem de ortaya çıkabilecek sorunları bertaraf eder. Geliştirme, destek, sorun çözme gibi farklı konulardaki taleplerin, verimli ve doğru kişilerce çözülmesi için öncelikle ilgili alt departmana yönlendirilmesi gerekir. Yönlendirmeler belirli kişilerce elle gerçekleştirilebilir. Ancak firma büyüklüğüyle doğru orantılı olarak gelen talep sayısının çok olması süreci zorlaştırıp zaman kaybına yol açmaktadır. Özellikle bilişim sektöründe hizmet veren kurumsal firmalarda taleplerin otomatik olarak alt-departmanlara aktarılabilmesi, işin verimliliğinin ciddi şekilde arttırabilir. Bu ihtiyacın giderilmesi içi metni işleyerek içerisinden kolaylıkla bilgi çıkarımını sağlayabilen metin madenciliği ve makine öğrenmesi yöntemleri kullanılabilir. Çalışmamızda, Detaysoft Danışmanlık firmasına ait gelen taleplerin doğru şekilde alt departmana yönlendirilmesini sağlayan bir sistem önerilmiştir. Sistem performansının ölçülebilmesi amacıyla gerçek müşteri taleplerinden oluşan 2103 veri toplanmış ve işaretlenmiştir. Toplanan verilerin varsayımlardan bağımsız olarak doğru şekilde işaretlenmesi için de veriye göre sınıf etiketlerinin belirlendiği temellendirilmiş teoriden faydalanılmıştır. Ham metinlerin vektörleştirilmesi için kelime çantası ve türevlerinin (TF, TFIDF) yanı sıra GloVe ve Word2Vec gibi kelime gömme yöntemleri de denenmiş ve hangi vektörleştirme yönteminin daha başarılı olduğu irdelenmiştir. Ayrıca gereksiz kelimelerin ve sadece kelime köklerinin kullanılmasının talep sınıflandırmaya etkileri analiz edilmiştir. Yapılan analizler sonucunda SVM algoritmasını kullanan modellerin %79 gibi iyi sayılabilecek bir başarım ile gelen talebi doğru şekilde sınıflandırabildiği gözlemlenmiştir. Elde edilen sonuçların, talep sınıflandırma konularındaki gelecek çalışmalara hem vektörleştirme hem de ön işlem süreçleriyle alakalı ışık tutması beklenmektedir.
Publisher
Duzce Universitesi Bilim ve Teknoloji Dergisi
Reference18 articles.
1. [1]S. Ballı and O. Karasoy, ‘Development of content-based SMS classification application by using Word2Vec-based feature extraction’, IET Software, vol. 13, no. 4, pp. 295–304, 2019.
2. [2]G. M. Shahariar, S. Biswas, F. Omar, F. M. Shah, and S. B. Hassan, ‘Spam review detection using deep learning’, 2019 IEEE 10th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON), 2019, pp. 0027–0033.
3. [3]T. KAŞIKÇI and H. Gökçen, ‘Metin madenciliği ile e-ticaret sitelerinin belirlenmesi’, Bilişim Teknolojileri Dergisi, c. 7, s. 1, 2013.
4. [4]M. Bouazizi and T. Ohtsuki, ‘Multi-class sentiment analysis in Twitter: What if classification is not the answer’, IEEE Access, vol. 6, pp. 64486–64502, 2018.
5. [5]A. Arifianto et al., ‘Developing an LSTM-based Classification Model of IndiHome Customer Feedbacks’, 2020 International Conference on Data Science and Its Applications (ICoDSA), 2020, pp. 1–5.