En Son Eklenenler

Yasladım kulağımı karın altındaki toprağa, Gül ağacının altındaki yuvalarında karıncalar konuşuyorlardı... Dinledim; "Az kaldı. Dinleriz yine seherde toprağa düşen gül yapraklarının sesini..."

Geronimo, Kızılderililerin Apaçi boyuna mensup bir savaş lideri, şef ve şamandır… Meksikalılar ile Amerikalıların Kızılderili topraklarını işgal etmelerine ve onları köle yapmalarına karşı, destansı bir mücadele veren “Son Savaşçı”dır. Korkmaz, pes etmez, vazgeçmez ve boyun eğmez bir karaktere sahipti… On yedi yaşına geldiğinde günde yetmiş mil koşabiliyor, bunun yarım gününde ağzındaki suyu yutmadan tutabiliyordu. En büyük ve en zorlu hayvanların nasıl avlanacağına dair tüm tekniklere hâkimdi. Ama onun tek hayali, bir savaşçı olarak düşmanın karşısına çıkma şansının kendisine verilmesiydi… Apaçi Savaş Konseyi üyeleri, ona bu hakkı tam on yedi yaşında verdiler. Bu karar, Geronimo için hayatındaki en kıymetli olaylardan biriydi. Yapılacak ilk saldırı için de onu, “Savaş Lideri” olarak seçtiler… Şu sözler Geronimo’ya aittir: “Aptallar, yaşam ve ölüm için uzağa bakarlar; her ikisi de yanı başlarındadır.” “Ben kendimin efendisiyim, yapmak istediğim her şeyi yaparım.”

Distributed representations (DR) are used to capture semantic and syntactic patterns in language by analyzing the distributional relationships of words within textual data. The modeling methods that produce DR are based on the assumption (distributional hypothesis) that "words that occur in the same context tend to have similar meanings," which is inherent to the nature of language. These modeling methods, due to their unsupervised nature, can be trained without human judgment input, allowing researchers to train large datasets at relatively low costs. Although word-based models perform effectively for languages with limited vocabularies, such as English, they exhibit considerable inefficiency when applied to morphologically rich languages with unlimited vocabularies, such as Turkish. We observed that n-gram and statistical segmentation methods, which are commonly used in subword modeling to address the issues of out-of-vocabulary and rare-words, are highly sensitive to orthographic similarity. Consequently, these methods struggle to distinguish between unrelated concepts (e.g., shrink - shrine). Moreover, we noted that the impact of morphological segmentation methods on these types of problems has shown inconsistent results in the literature. This thesis aims to make conceptual assumptions and improvements concerning different types of semantic relationships (e.g., relatedness and similarity), to model the role of language morphology as an input in subword DR models, and to develop the dataset generation methodologies and evaluation methods to measure this effect. Within the scope of the study, different models and segmentation methods were empirically tested, the AnlamVer and OSimUnr datasets were produced, and the task of relatedness classification and associated evaluation methods were proposed to measure the noise introduced by segmentation to the model. Our experiments demonstrate that morphological segmentation produces significantly less noise compared to n-gram-based methods and can lead to substantial performance improvements depending on the nature of the task.