Yazar "Yunus, Said" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim Yok
    Öğe
    Comparison of Extractive and Abstractive Approaches in Automatic Text Summarization: An Evaluation on BBC-News and PubMed Datasets
    (Institute of Electrical and Electronics Engineers Inc., 2024) Yunus, Said; Hark, Cengiz; Okumus, Fatih
    This study focuses on the effectiveness of advanced and up-to-date text summarization techniques in the field of automatic text summarization. Among the extractive summarization systems examined for their performance are TextRank, LexRank, KL-Summ, and LSA, while the abstractive summarization systems include Pegasus, BART, T5, and LED. The capabilities of these state-of-the-art models have been evaluated on the BBC-News and PubMed datasets. Several evaluation metrics such as SacreBLEU, METEOR, BERTScore, and ROUGE were employed. Summaries of 50,100, and 150 words were generated for the BBC-News and PubMed datasets. The findings of the study provide a comprehensive evaluation of the performance of different summarization techniques across various summary lengths on the BBC-News and PubMed datasets. It was reported that the TextRank approach achieved notably successful results in text summarization. Among the abstractive methods investigated, LED demonstrated a strong ability to generate contextually accurate summaries. This study is considered to make significant contributions to the literature. © 2024 IEEE.
  • Küçük Resim Yok
    Öğe
    Enhancing extractive multi-documents summarization with a novel dominating set model for semantic relationship detection
    (Elsevier - Division Reed Elsevier India Pvt Ltd, 2025) Yunus, Said; Hark, Cengiz; Okumus, Fatih
    In this paper, the Dominant Set-Based Extractive Text summarizing (DSETS) framework is proposed, which gives a new approach to automatic text summarizing. Utilizing the Minimum Dominant Set technique, the proposed framework creates summaries based on a word-level graphical representation that minimizes information loss while maintaining significant semantics. DSETS aims to inspire an alternative perspective on the computational text summarization method. The proposed framework distributes the processing load and reduces time complexity with the segmentation it applies, thus providing more scalable performance on large datasets. Additionally, empirical runtime and memory evaluations revealed that the proposed segmentation strategy reduced processing time by up to 24 % and offered comparable memory usage to lighter baseline methods, demonstrating its practicality in resource-constrained environments. After comparing the effectiveness of the DSETS framework with a series of text summarization techniques, it was determined that it offers significantly improved text summarization performance. Experiments were conducted using four different datasets (BBC News, XSum, CNN/Daily Mail and MultiNews) and summaries of varying word lengths were generated. The proposed framework achieved the highest ROUGE (1, 2, L, W) scores on most of the summary configurations generated on different datasets and various word counts. In particular, ROUGE-W F-scores improved by up to 15.8 %, while ROUGE-1 and ROUGE-L showed significant increases of 3 % to 8 % across various summary lengths. The evaluation results suggest that the DSETS framework was able to outperform many state-of-the-art summarization methods, with improvements observed between 1.3 % and 15.8 % depending on the metric and dataset. To better understand which parts of the system contributed most to this success, an ablation study was carried out. The findings from this analysis indicated that the segmentation mechanism and the semantic filtering process played a key role-particularly in enhancing recall-based performance. Taken together, these results indicate that DSETS is not only a strong and reliable framework for extractive summarization, especially in single-topic documents, but also a promising option for building lightweight and interpretable summarization systems in future applications.
  • Küçük Resim Yok
    Öğe
    Metin özetleme yöntemlerinin karşılaştırmalı incelenmesi ve baskın küme tabanlı bir çıkarıcı yaklaşımın geliştirilmesi
    (İnönü Üniversitesi, 2025) Yunus, Said; Okumuş, Fatih
    Bu tez, metin özetleme alanında extractive (çıkarıcı) ve abstractive (soyutlayıcı) yöntemlerin incelenmesi ve karşılaştırılması üzerine odaklanmaktadır. Çalışmada, metin özetleme yöntemlerinin performanslarını değerlendirmek amacıyla, farklı yapıya sahip iki İngilizce veri seti kullanılmıştır: haber içerikli BBC News Summary ve bilimsel makale içerikli PubMed Summarization. TextRank, LexRank, LSA ve KL gibi çıkarıcı yöntemler ile PEGASUS, BART, T5 ve LED gibi soyutlayıcı modeller üzerinde gerçekleştirilen analizlerde, bu yöntemlerin farklı içerik türlerindeki etkileri çeşitli metrikler kullanılarak karşılaştırılmıştır. Elde edilen sonuçlar, her yöntemin belirli durumlarda farklı avantajlar sunduğunu ortaya koymuştur. Tezin ikinci aşamasında, Dominating Set (Baskın Küme) tabanlı yeni bir çıkarıcı özetleme yöntemi önerilmiş ve bu yöntem detaylı olarak incelenmiştir. Bu yöntem, metinlerdeki gereksiz bilgileri filtrelemeyi ve metnin en anlamlı bölümlerini seçerek daha özlü özetler üretmeyi hedeflemektedir. Önerilen yöntemin performansı ROUGE metrikleriyle değerlendirilmiş ve özellikle haber içerikli veri setlerinde diğer yöntemlere kıyasla üstünlük sağladığı görülmüştür. Yöntemin, metin özetleme sürecinde daha verimli ve anlamlı sonuçlar üretebildiği gözlemlenmiştir. Çalışma, bilgi yoğun veri setleri üzerinde özetleme yöntemlerinin etkinliğini değerlendirmeyi, farklı yaklaşımlar arasında kapsamlı bir karşılaştırma sunmayı ve Dominating Set tabanlı yeni bir yöntemin metin özetleme alanındaki uygulanabilirliğini araştırmayı hedeflemektedir. Bu bağlamda tez, hem teorik hem de uygulamalı boyutlarıyla literatüre katkı sağlamayı amaçlamaktadır. Anahtar Kelimeler: Metin Özetleme, Graf, Baskın Küme, Çıkarıcı Özetleme, Soyutlayıcı Özetleme, ROUGE Metrikleri.