bert_base_turkish_sentiment_analysis

Türkçe Duygu Analizi Modeli (ba2hann/bert-base-turkish-sentiment-analize)

Bu model, Türkçe metinler için duygu analizi yapmayı amaçlamaktadır. Model, dört farklı duygu kategorisini sınıflandırmak üzere eğitilmiştir:

• Irkçılık
• Kızdırma (Hakaret/Küfür)
• Nötr
• Cinsiyetçilik

Model Detayları

Bu model, bert-base-turkish-cased modeli temel alınarak özel bir veri seti üzerinde eğitilmiştir. Hedef, sosyal medyada ve diğer metin tabanlı platformlarda sıklıkla karşılaşılan olumsuz ve ayrımcı söylemleri tespit etmektir.

Performans Metrikleri

Modelin genel performansı aşağıdaki gibidir:

• Doğruluk (Accuracy): %93.7

Kategori bazlı performans metrikleri ise şöyledir:

Nasıl Kullanılır?

Aşağıdaki Python kodu, transformers kütüphanesi ile bu modelin nasıl kullanılacağını göstermektedir:

import torch
from transformers import pipeline

model_name = "ba2hann/bert-base-turkish-sentiment-analize"

sentiment_pipeline = pipeline(
    task="text-classification",
    model=model_name,
    tokenizer=model_name,
    device=0 if torch.cuda.is_available() else -1  # GPU varsa kullan, yoksa CPU
)

category_map = {
    0: "Irkçılık",
    1: "Kızdırma",
    2: "Nötr",
    3: "Cinsiyetçilik"
}

def analyze_sentiment(text):
    sonuc = sentiment_pipeline(text)[0]
    label_index = int(sonuc['label'].split('_')[-1])
    kategori = category_map.get(label_index, "Bilinmeyen")
    return {
        "text": text,
        "category": kategori,
        "score": sonuc['score']
    }

if __name__ == "__main__":
    ornek_cumleler = [
        "Bu çok güzel bir gün.", #Nötr
        "Sen ne kadar aptalsın!", #Kızdırma
        "Bu ırkçı bir söylem.", #Irkçılık
        "Kadınlar araba kullanamaz.", #Cinsiyetçilik
        "Bu konu hakkında hiçbir fikrim yok." #Nötr
    ]
    for ornek_cumle in ornek_cumleler:
      sonuc = analyze_sentiment(ornek_cumle)
      print("\nAnaliz Sonuçları:")
      print(f"Analiz Edilen Cümle: {sonuc['text']}")
      print(f"Tahmin: {sonuc['category']}")
      print(f"Tahmin Güveni: {sonuc['score']:.2%}")