Araştırma Makale Önerisi İçin Derin Öğrenmenin Kullanımı

Abstract

In the field of scientific writing, it is crucial to be able to identify and choose relevant publications. However, due to the increasing number of papers being published, researchers face difficulties in manually navigating through the vast amount of literature. In response to the challenge of navigating the growing volume of academic literature, automated paper recommendation systems have emerged to assist researchers in finding relevant publications. These systems also address the need to establish connections between research outcomes and academic journal subjects for article submissions. Traditional text representation models have limitations in capturing semantic relationships between words and addressing the diverse range of topics across different journals, which affects classification and recommendation results. In this study, a dataset sourced from Kaggle, comprising titles and abstracts of research articles, has been expanded to a total of 60,286 instances. This expansion includes 40,000 additional instances from the National Library of Medicine alongside the original 20,286 instances. These instances are categorized into four classes: physics, mathematics, statistics, and computer science. The research employs various feature extraction methods, including doc2vec, TF-IDF, and Bag of Words, and evaluates the performance of classical machine learning algorithms and deep learning models on the feature vectors. The resulting model functions as a recommendation system, offering content-based suggestions for authors seeking papers relevant to their research interests.

Bilimsel yazının alanında, ilgili yayınları tanımlayıp seçebilme yeteneği oldukça önemlidir. Ancak, giderek artan sayıda makalenin yayımlandığı bir ortamda, araştırmacılar, geniş bir bilimsel literatürü el ile gezme konusunda zorluklarla karşılaşırlar. Büyüyen akademik literatürün içinde gezinme sorununa cevap olarak, ilgili yayınları bulmada araştırmacılara yardımcı olmayı amaçlayan otomatik makale öneri sistemleri ortaya çıkmıştır. Bu sistemler aynı zamanda araştırma sonuçları ile akademik dergi konuları arasında bağlantı kurma ihtiyacını da ele almaktadır. Geleneksel metin temsil modelleri, kelimeler arasındaki anlamsal ilişkileri yakalama ve farklı dergilerin kapsadığı geniş konu yelpazesini ele alma konularında sınırlamalar taşımaktadır, bu da sınıflandırma ve öneri sonuçlarını etkilemektedir. Bu çalışmada, araştırma makalelerinin başlıklarını ve özetlerini içeren Kaggle veritabanından alınan bir veri kümesi kullanılmış ve bu veri kümesi toplamda 60.286 örneğe genişletilmiştir. Bu genişleme, orijinal 20.286 örneğin yanı sıra Ulusal Tıp Kütüphanesi'nden gelen 40.000 ek örneği içermektedir. Bu örnekler fizik, matematik, istatistik ve bilgisayar bilimleri olmak üzere dört farklı sınıfa ayrılmıştır. Araştırma, doc2vec, TF-IDF ve Kelime Çantası gibi çeşitli özellik çıkarma yöntemlerini kullanmakta ve elde edilen özellik vektörleri üzerinde klasik makine öğrenme algoritmaları ve derin öğrenme modellerinin performansını değerlendirmektedir. Sonuçta ortaya çıkan model, araştırma ilgi alanlarına uygun makaleler arayan yazarlar için içerik tabanlı öneriler sunmaktadır.