Text document querying via hierarchical clustering of documents in vector spaces

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2002

Tezin Dili: İngilizce

Öğrenci: SERKAN KAYA

Danışman: SADIK FİKRET GÜRGEN

Özet:

ÖZET VEKTÖR UZAYINDA DOKÜMANLARIN SERADÜZENSEL OLARAK GRUPLANDIRILMASIYLA METİN VERİ TABANLARINDA SORGULAMA Metin tipi veri tabanları doküman başlıklarının indekslenmesiyle oluşturulan vektör uzaylarında oldukça büyük ve seyrek matrisler olarak tanımlanır. Bu matris uzayında istenilen ya da buna yakın bir konudaki dokümanların araştırılması (sorgulanması) büyük zaman alır ve araştırma sonucuna ulaşılabilmesi için oldukça çok sayıda hesaplama yapılması gerekir. Literatürde yapılan çalışmalarda büyük boyutlu metin veri tabanlarına boyut indirgenmesi uygulandıktan sonra bu yeni boyutlarda tanımlanan her bir dokümanın tek tek taranmasıyla sonuca varılan yöntemler tanımlanmıştır. Bu çalışmada ise boyut indirgenmesi yapıldıktan sonra istenilen dokümanların tek bir büyük bir matris içerisindeki tüm dokümanlara bakılarak aranması yerine veri tabanındaki dokümanların önce gamlandırılarak benzer konudaki dokümanların aynı gruplara toplanması ve araştırmanın bu alt gruplardaki daha az sayıdaki benzer dokümanlara bakılarak yapılması önerilmiştir. Böylece tüm veri tabanına bakılması yerine çok daha az sayıdaki dokümana bakıldığından daha az sayıda hesaplama yapılarak sorgulama sonucuna kısa zamanda varılacaktır. Gruplamaların sıradüzensel bir ağaç yapısıyla yapılması, böylece sorgulamanın ağaç içerisinde özyineli olarak belirlenecek olan grubun içindeki alt gruplara yönlendirilmesiyle aramanın küçük gruplarda yapılması önerilmiştir. Tasarlanan dört değişik tipte sıradüzensel ağaç yapısı üç ayrı veri tabam üzerinde denenmiştir. Sonuç olarak yapılan sorgulamalara bulunan dokümanların büyük bir bölümü sorgulama vektörüne en yakın ilk üç dokümandan biri çıkmış ve az bir kısmı ise başarısız olmuştur. Bu yöntemle araştırmalardaki hesaplama sayısı azaltılmıştır. Varılan sonuçlardan bir diğeri de yapılan araştırmanın sonucunun aynı zamanda kullanılan sorgulama vektörüyle de ilgili olduğudur. Sorgulama vektöründe ne kadar çok kelime bulunursa sonuçta bulunacak dokümanın sorgulama vektörüne yakın bir doküman olma olasılığı o oranda yüksek olacaktır.