ÇAĞRI MERKEZİNE GELEN ARAMALARIN METİN TABANLI SINIFLANDIRILMASI

Abstract

ÖZET

Bu tez çalışmasında, Ticaret Bakanlığı Çağrı Merkezine gelen çağrıların yönlendirilmesi gereken birimi tahmin etmek için çeşitli makine öğrenme algoritmaları ve farklı metin temsil yöntemleri beraber kullanılmış ve bu modellerin başarımları kıyaslanmıştır. Türkiye Ticaret Bakanlığı Çağrı Merkezi, uzman personel eksikliği ve yanlış yönlendirilen çağrılar nedeniyle çağrıları hızlı bir şekilde çözmekte zorluklarla karşılaşabilmektedir. Bu durum ülke ekonomisi üzerinde olumsuz sonuçlar doğurabilmektedir. Bu tez çalışması, Word2Vec, GloVe ve TF-IDF gibi metin temsil yöntemleri ve çeşitli makine öğrenmesi algoritmalarını detaylı bir şekilde inceleyerek, çağrıları en etkili şekilde uygun departmana yönlendirmenin yollarını belirlemeyi ve bu modellerin performansını karşılaştırmayı amaçlamaktadır. Word2Vec, GloVe ve TF-IDF metin temsil yöntemlerini kullanarak, K-En Yakın Komşu, Naive Bayes, Destek Vektör Makineleri, Adaptive Boosting, Karar Ağacı ve Rastgele Orman gibi çeşitli makine öğrenmesi algoritmalarını içeren kapsamlı bir analiz yapılmıştır. Performans değerlendirmesi doğruluk, kesinlik, duyarlılık ve f1-skor gibi ölçütler kullanılarak gerçekleştirilmiştir. Deneysel sonuçlar, Rastgele Orman ve Word2Vec kombinasyonunun, eğitim ve çalışma zamanı açısından çağrıları yönlendirmeyi başarabilen en uygun model olduğunu göstermiştir.

ABSTRACT

In this thesis, various machine learning algorithms and different text representation methods are used together to predict the department to which incoming calls to the Ministry of Trade Call Center should be routed and the performance of these models are compared. The Call Center of the Ministry of Trade in Türkiye has been facing challenges in resolving issues promptly due to a lack of skilled staff and misdirected calls. This has had negative consequences on the nation’s economy. The main objective of this study is to thoroughly examine different machine learning algorithms and word representation techniques, including Word2Vec, GloVe, and TF-IDF, determine the most effective way to route calls to the appropriate department, and compare the performance of these models. Using Word2Vec, GloVe, and TF-IDF methods, we conduct a comprehensive analysis that incorporates various machine learning algorithms, such as K-Nearest Neighbors, Naive Bayes, Support Vector Machines, Adaptive Boosting, Decision Tree, and Random Forest. Performance evaluation is performed using metrics such as accuracy, precision, recall, and f1-score. The results indicate that a combination of the Random Forest and Word2Vec is the optimal model that can manage to route calls in learning and running time.