Akademik Makale Öneri Sistemi
Tez projesinden esinlenen grafik tabanlı akademik keşif ve öneri platformu.
Makale Öneri Demosu
Canlı Örnek Çalışma: OpenAlex Atıf Grafiği Keşfi
Akademik Makale Öneri Sistemi
Eğitim gerektirmeyen, graf tabanlı ve açıklanabilir öneri motoru
Nasıl Çalışır?
Bu sistem, yüksek lisans tezimde geliştirdiğim graf tabanlı makale önerme algoritmasının bir prototipidir. Girilen makalenin geriye dönük atıf ağını (backward citation neighborhood) çıkarır. Birincil ve ikincil dereceden komşuluk ilişkilerini hesaplar, konu benzerliği (Jaccard) ve mecra uyumu ile skorlandırarak en alakalı makaleleri listeler.
ALGORİTMA ADIMLARI (v1)
- Hedef makalenin OpenAlex üzerindeki tüm referansları (Out-Citations) birincil küme (Primary) olarak çekilir.
- Her birincil makalenin kendi referansları taranarak ikincil küme (Secondary Candidates) havuzu oluşturulur.
- İkincil adaylar, hedef makalenin birincil kümesindeki makaleler tarafından kaç kez ortak atıf aldığına (Co-citation Frequency) göre yapısal olarak skorlandırılır.
- Adayların ve hedefin OpenAlex konu etiketleri (concepts) arasındaki Jaccard katsayısı hesaplanarak semantik benzerlik skora eklenir.
- Aynı dergi, konferans (venue) veya yayıncı (publisher) ortaklığı durumunda ek bonus verilerek nihai sıralama belirlenir.
Yapısal Skor
YAPI PUANIBir adayın, hedefin birincil kümesindeki makaleler tarafından kaç kez ortak-atıf (co-citation) aldığını, birincil küme boyutuna oranlayarak ölçer.
Metrik Formülü
S = co_citation_count / |primary| (+1.0 birincil katman)
Semantik Motor
ANLAMSAL MOTORMakale konu etiketlerinin (concepts) örtüşmesini ağırlıklı Jaccard katsayısı ile karşılaştırarak anlamsal hizalamayı bulur.
Metrik Formülü
J_sem = |A_vec ∩ B_vec| / |A_vec ∪ B_vec|
Nihai Skor (toplamsal)
Üç bileşen toplanır: Skor = Yapısal + 0.3 · Semantik(Jaccard) + Mekan/Yayıncı bonusu. Yapısal keşif baskındır; anlamsal benzerlik 0.3 ağırlıkla katkı verir.
Bu çalışma, Umut Karadurmuş'un yüksek lisans tez araştırmasına dayanmaktadır.