Spaces:
Build error
Build error
File size: 169,399 Bytes
b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 569ba75 2c996b2 5cd7165 dab5364 569ba75 dab5364 569ba75 dab5364 5cd7165 dab5364 5cd7165 dab5364 5cd7165 dab5364 5cd7165 dab5364 5cd7165 dab5364 5cd7165 dab5364 5cd7165 dab5364 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 569ba75 5cd7165 dab5364 5cd7165 2c996b2 b66c232 2c996b2 dab5364 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 dab5364 2c996b2 b66c232 2c996b2 dab5364 2c996b2 dab5364 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 2c996b2 b66c232 201583f 2c996b2 201583f b66c232 201583f b66c232 2c996b2 b66c232 2c996b2 201583f 2c996b2 201583f b66c232 2c996b2 201583f b66c232 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f 2c996b2 201583f b66c232 201583f b66c232 201583f b66c232 2c996b2 b66c232 2c996b2 b66c232 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 1846 1847 1848 1849 1850 1851 1852 1853 1854 1855 1856 1857 1858 1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878 1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 1895 1896 1897 1898 1899 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071 2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2091 2092 2093 2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2105 2106 2107 2108 2109 2110 2111 2112 2113 2114 2115 2116 2117 2118 2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 2135 2136 2137 2138 2139 2140 2141 2142 2143 2144 2145 2146 2147 2148 2149 2150 2151 2152 2153 2154 2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184 2185 2186 2187 2188 2189 2190 2191 2192 2193 2194 2195 2196 2197 2198 2199 2200 2201 2202 2203 2204 2205 2206 2207 2208 2209 2210 2211 2212 2213 2214 2215 2216 2217 2218 2219 2220 2221 2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232 2233 2234 2235 2236 2237 2238 2239 2240 2241 2242 2243 2244 2245 2246 2247 2248 2249 2250 2251 2252 2253 2254 2255 2256 2257 2258 2259 2260 2261 2262 2263 2264 2265 2266 2267 2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283 2284 2285 2286 2287 2288 2289 2290 2291 2292 2293 2294 2295 2296 2297 2298 2299 2300 2301 2302 2303 2304 2305 2306 2307 2308 2309 2310 2311 2312 2313 2314 2315 2316 2317 2318 2319 2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332 2333 2334 2335 2336 2337 2338 2339 2340 2341 2342 2343 2344 2345 2346 2347 2348 2349 2350 2351 2352 2353 2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365 2366 2367 2368 2369 2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382 2383 2384 2385 2386 2387 2388 2389 2390 2391 2392 2393 2394 2395 2396 2397 2398 2399 2400 2401 2402 2403 2404 2405 2406 2407 2408 2409 2410 2411 2412 2413 2414 2415 2416 2417 2418 2419 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432 2433 2434 2435 2436 2437 2438 2439 2440 2441 2442 2443 2444 2445 2446 2447 2448 2449 2450 2451 2452 2453 2454 2455 2456 2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 2468 2469 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 2484 2485 2486 2487 2488 2489 2490 2491 |
{
"cells": [
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Kütüphaneler eklenmesi"
]
},
{
"cell_type": "code",
"execution_count": 6,
"metadata": {},
"outputs": [],
"source": [
"from datasets import load_dataset\n",
"import pandas as pd \n",
"from pymongo import MongoClient\n",
"from transformers import BertTokenizer, BertForMaskedLM, DPRContextEncoderTokenizer,DPRContextEncoder;\n",
"\n",
"\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Parquet dosyalarının dataframe olarak yüklenmesi(okuma yapabilmek için)"
]
},
{
"cell_type": "code",
"execution_count": 8,
"metadata": {},
"outputs": [],
"source": [
"# Parquet dosyalarını DataFrame olarak yükleyin\n",
"train_df1 = pd.read_parquet('C:\\\\gitProjects\\\\yeni\\\\wikipedia-tr\\\\data\\\\train-00000-of-00002-ed6b025df7a1f653.parquet')\n",
"train_df2 = pd.read_parquet('C:\\\\gitProjects\\\\yeni\\\\wikipedia-tr\\\\data\\\\train-00001-of-00002-0aa63953f8b51c17.parquet')\n"
]
},
{
"cell_type": "code",
"execution_count": 9,
"metadata": {},
"outputs": [],
"source": [
"# İki DataFrame'i birleştirin\n",
"merged_train = pd.concat([train_df1, train_df2], ignore_index=True)\n"
]
},
{
"cell_type": "code",
"execution_count": 10,
"metadata": {},
"outputs": [],
"source": [
"# Örneğin %80 train, %20 test olarak ayırın\n",
"train_data = merged_train.sample(frac=0.8, random_state=42)\n",
"test_data = merged_train.drop(train_data.index)\n"
]
},
{
"cell_type": "code",
"execution_count": 11,
"metadata": {},
"outputs": [],
"source": [
"import os\n",
"\n",
"# Dosya yolları\n",
"train_dir = 'C:\\\\gitProjects\\\\yeni\\\\datasets\\\\train_Egitim'\n",
"test_dir = 'C:\\\\gitProjects\\\\yeni\\\\datasets\\\\test_Egitim'\n",
"train_file_path = os.path.join(train_dir, 'merged_train.parquet')\n",
"test_file_path = os.path.join(test_dir, 'merged_test.parquet')\n",
"\n",
"# Dizinlerin var olup olmadığını kontrol etme, gerekirse oluşturma\n",
"os.makedirs(train_dir, exist_ok=True)\n",
"os.makedirs(test_dir, exist_ok=True)\n",
"\n",
"# Veriyi .parquet formatında kaydetme\n",
"train_data.to_parquet(train_file_path)\n",
"test_data.to_parquet(test_file_path)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Dataframe deki bilgileri görme "
]
},
{
"cell_type": "code",
"execution_count": 12,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
" id url \\\n",
"515773 3525037 https://tr.wikipedia.org/wiki/P%C5%9F%C4%B1qo%... \n",
"517811 3532700 https://tr.wikipedia.org/wiki/Craterolophinae \n",
"436350 3203545 https://tr.wikipedia.org/wiki/Notocrabro \n",
"223281 1765445 https://tr.wikipedia.org/wiki/Ibrahim%20Sissoko \n",
"100272 575462 https://tr.wikipedia.org/wiki/Salah%20Cedid \n",
"\n",
" title text \n",
"515773 Pşıqo Ahecaqo Pşıqo Ahecaqo (), Çerkes siyasetçi, askeri kom... \n",
"517811 Craterolophinae Craterolophinae, Depastridae familyasına bağlı... \n",
"436350 Notocrabro Notocrabro Crabronina oymağına bağlı bir cinst... \n",
"223281 Ibrahim Sissoko İbrahim Sissoko (d. 30 Kasım 1991), Fildişi Sa... \n",
"100272 Salah Cedid Salah Cedid (1926-1993) (Arapça: صلاح جديد) Su... \n",
" id url title \\\n",
"5 35 https://tr.wikipedia.org/wiki/Karl%20Marx Karl Marx \n",
"13 48 https://tr.wikipedia.org/wiki/Ruhi%20Su Ruhi Su \n",
"15 53 https://tr.wikipedia.org/wiki/Bilgisayar Bilgisayar \n",
"18 59 https://tr.wikipedia.org/wiki/Edebiyat Edebiyat \n",
"19 64 https://tr.wikipedia.org/wiki/M%C3%BChendislik Mühendislik \n",
"\n",
" text \n",
"5 Karl Marx (; 5 Mayıs 1818, Trier – 14 Mart 188... \n",
"13 Mehmet Ruhi Su (1 Ocak 1912, Van - 20 Eylül 19... \n",
"15 Bilgisayar, aritmetik veya mantıksal işlem diz... \n",
"18 Edebiyat, yazın veya literatür; olay, düşünce,... \n",
"19 Mühendis, insanların her türlü ihtiyacını karş... \n"
]
}
],
"source": [
"print(train_data.head())\n",
"print(test_data.head())"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"MongoDb'ye bağlama ve bilgi çekme "
]
},
{
"cell_type": "code",
"execution_count": 13,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
" Veriler başarıyla Collection(Database(MongoClient(host=['localhost:27017'], document_class=dict, tz_aware=False, connect=True), 'EgitimDatabase'), 'train') MongoDb koleksiyonuna indirildi.\n",
" Veriler başarıyla Collection(Database(MongoClient(host=['localhost:27017'], document_class=dict, tz_aware=False, connect=True), 'EgitimDatabase'), 'test') MongoDb koleksiyonuna indirildi.\n"
]
}
],
"source": [
"import pandas as pd\n",
"from pymongo import MongoClient\n",
"\n",
"def get_mongodb(database_name='EgitimDatabase', train_collection_name='train', test_collection_name='test', host='localhost', port=27017):\n",
" \"\"\"\n",
" MongoDB connection and collection selection for train and test collections.\n",
" \"\"\"\n",
" client = MongoClient(f'mongodb://{host}:{port}/')\n",
" \n",
" # Veritabanını seçin\n",
" db = client[database_name]\n",
" \n",
" # Train ve test koleksiyonlarını seçin\n",
" train_collection = db[train_collection_name]\n",
" test_collection = db[test_collection_name]\n",
" \n",
" return train_collection, test_collection\n",
"\n",
"# Function to load dataset into MongoDB\n",
"def dataset_read(train_file_path,test_file_path):\n",
" data_train = pd.read_parquet(train_file_path, columns=['id', 'url', 'title', 'text'])\n",
" data_test = pd.read_parquet(test_file_path, columns=['id', 'url', 'title', 'text'])\n",
" data_dict_train = data_train.to_dict(\"records\")\n",
" data_dict_test = data_test.to_dict(\"records\")\n",
"\n",
"\n",
"\n",
" # Get the MongoDB collections\n",
" train_collection, test_collection = get_mongodb(database_name='EgitimDatabase')\n",
"\n",
" \n",
"\n",
" # Insert data into MongoDB\n",
" train_collection.insert_many(data_dict_train)\n",
" test_collection.insert_many(data_dict_test)\n",
"\n",
"\n",
" print(f\" Veriler başarıyla {train_collection} MongoDb koleksiyonuna indirildi.\")\n",
" print(f\" Veriler başarıyla {test_collection} MongoDb koleksiyonuna indirildi.\")\n",
" return train_collection,test_collection\n",
"\n",
"# Train ve test datasetlerini MongoDB'ye yüklemek için fonksiyonu çağır\n",
"train_file_path = 'C:\\\\gitProjects\\\\yeni\\\\datasets\\\\train_Egitim\\\\merged_train.parquet'\n",
"test_file_path = 'C:\\\\gitProjects\\\\yeni\\\\datasets\\\\test_Egitim\\\\merged_test.parquet'\n",
"\n",
"train_collection, test_collection = dataset_read(train_file_path, test_file_path)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"MongoDb üzerinden title ve text verilerinin çekilmesi "
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"import pandas as pd\n",
"from pymongo import MongoClient,errors\n",
"from sklearn.feature_extraction.text import TfidfVectorizer\n",
"from sentence_transformers import SentenceTransformer\n",
"\n",
"# MongoDB bağlantı ve koleksiyon seçimi için fonksiyon\n",
"def get_mongodb(database_name='EgitimDatabase', train_collection_name='train', test_collection_name='test', host='localhost', port=27017):\n",
" client = MongoClient(f'mongodb://{host}:{port}/')\n",
" db = client[database_name]\n",
" train_collection = db[train_collection_name]\n",
" test_collection = db[test_collection_name]\n",
" return train_collection, test_collection\n",
"\n",
"# Dataset'i MongoDB'ye yükleme fonksiyonu\n",
"def dataset_read(train_file_path, test_file_path):\n",
" try:\n",
" # MongoDB koleksiyonlarını al\n",
" train_collection, test_collection = get_mongodb()\n",
"\n",
" # Eğer koleksiyonlar zaten doluysa, veri yüklemesi yapma\n",
" if train_collection.estimated_document_count() > 0 or test_collection.estimated_document_count() > 0:\n",
" print(\"Veriler zaten yüklendi, işlem yapılmadı.\")\n",
" return train_collection, test_collection\n",
"\n",
" # Datasetleri oku\n",
" data_train = pd.read_parquet(train_file_path, columns=['id', 'url', 'title', 'text'])\n",
" data_test = pd.read_parquet(test_file_path, columns=['id', 'url', 'title', 'text'])\n",
"\n",
" # Verileri MongoDB'ye yükle\n",
" train_collection.insert_many(data_train.to_dict(\"records\"))\n",
" test_collection.insert_many(data_test.to_dict(\"records\"))\n",
"\n",
" print(f\"Veriler başarıyla {train_collection.name} koleksiyonuna yüklendi.\")\n",
" print(f\"Veriler başarıyla {test_collection.name} koleksiyonuna yüklendi.\")\n",
" \n",
" except errors.PyMongoError as e:\n",
" print(f\"Veri yükleme sırasında hata oluştu: {e}\")\n",
"\n",
" return train_collection, test_collection\n",
"\n",
"\n",
"\n",
"# Database sınıfı: Veritabanı bağlantıları ve verileri çekme işlevleri\n",
"class Database:\n",
" @staticmethod\n",
" def get_mongodb():\n",
" return get_mongodb()\n",
"\n",
" @staticmethod\n",
" def get_titles_and_texts():\n",
" # MongoDB bağlantısı ve koleksiyonları al\n",
" train_collection, _ = Database.get_mongodb()\n",
"\n",
" # Sorgu: Hem \"title\" hem de \"text\" alanı mevcut olan belgeler\n",
" query = {\"title\": {\"$exists\": True}, \"text\": {\"$exists\": True}}\n",
"\n",
" # Belirtilen alanları seçiyoruz: \"title\", \"text\"\n",
" cursor = train_collection.find(query, {\"title\": 1, \"text\": 1, \"_id\": 0})\n",
"\n",
" # Başlık ve metinleri doğru bir şekilde birleştiriyoruz\n",
" documents = [{\"title\": doc['title'], \"text\": doc['text']} for doc in cursor]\n",
" document_count = len(documents)\n",
" return documents, document_count\n",
"\n",
"# Train ve test datasetlerini MongoDB'ye yüklemek için fonksiyonu çağır\n",
"train_file_path = 'C:\\\\gitProjects\\\\yeni\\\\datasets\\\\train_Egitim\\\\merged_train.parquet'\n",
"test_file_path = 'C:\\\\gitProjects\\\\yeni\\\\datasets\\\\test_Egitim\\\\merged_test.parquet'\n",
"\n",
"train_collection, test_collection = dataset_read(train_file_path, test_file_path)\n",
"\n",
"# Veritabanından başlıklar ve metinler alınır\n",
"documents, document_count = Database.get_titles_and_texts()\n",
"\n",
"# Sonuçların belirlenmesi\n",
"print(f\"Başlık ve metin çiftleri: {documents}\")\n",
"print(f\"Toplam çift sayısı: {document_count}\")\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Output'u vereceğimiz title ve textin kodu"
]
},
{
"cell_type": "code",
"execution_count": 8,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"0 **Pşıqo Ahecaqo** Pşıqo Ahecaqo (), Çerkes siy...\n",
"1 **Craterolophinae** Craterolophinae, Depastrid...\n",
"2 **Notocrabro** Notocrabro Crabronina oymağına ...\n",
"3 **Ibrahim Sissoko** İbrahim Sissoko (d. 30 Kas...\n",
"4 **Salah Cedid** Salah Cedid (1926-1993) (Arapç...\n",
"Name: combined, dtype: object\n",
"Veriler combined_output.csv dosyasına başarıyla kaydedildi.\n"
]
}
],
"source": [
"from pymongo import MongoClient\n",
"import pandas as pd\n",
"from tqdm.auto import tqdm, trange\n",
"\n",
"# Database bağlantıları ve verileri çekme işlevleri\n",
"class Database:\n",
" @staticmethod\n",
" def get_mongodb(database_name='EgitimDatabase', train_collection_name='train', test_collection_name='test', host='localhost', port=27017):\n",
" client = MongoClient(f'mongodb://{host}:{port}/')\n",
" db = client[database_name]\n",
" train_collection = db[train_collection_name]\n",
" test_collection = db[test_collection_name]\n",
" return train_collection, test_collection\n",
"\n",
" def export_to_csv(batch_size=1000, output_file='combined_output.csv'):\n",
" train_collection, _ = Database.get_mongodb()\n",
" cursor = train_collection.find({}, {\"title\": 1, \"text\": 1, \"_id\": 0})\n",
" cursor = cursor.batch_size(batch_size) # Fix: Call batch_size on the cursor object\n",
"\n",
" # Verileri DataFrame'e dönüştürme\n",
" df= pd.DataFrame(list(cursor))\n",
" \n",
" # title ve text sütunlarını birleştirme\n",
" df['combined'] = df.apply(lambda row: f'**{row[\"title\"]}** {row[\"text\"]}', axis=1)\n",
" \n",
" #title,text and combined sütunlarını ayrı ayrı tutma\n",
" #df2['title_only'] = df2['title']\n",
" #df2['text_only'] = df2['text']\n",
" #df['combined']= output_file\n",
"\n",
" # Sonuçları kontrol etme\n",
" combined_text= df['combined'] \n",
" # Print the combined column directly\n",
" \n",
" print(combined_text.head())\n",
"\n",
" # Birleşmiş verileri CSV'ye kaydetme\n",
" \n",
" df.to_csv(output_file, index=False)\n",
" \n",
" print(f\"Veriler combined_output.csv dosyasına başarıyla kaydedildi.\")\n",
" \n",
"\n",
"# CSV dosyasını okuma ve birleştirme işlemi\n",
"Database.export_to_csv()"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"TF-IDF HESAPLAMA"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Token vektörlerinin ortalamasını alarak metin düzeyinde özet oluşturacak şekilde k-means ve tf-ıdf algoritmalarını kullanarak keyword oluşturmak "
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"#-------------------------tf-ıdf hesaplama\n",
"import re\n",
"import numpy as np\n",
"import pandas as pd\n",
"from nltk.stem import WordNetLemmatizer\n",
"from sklearn.feature_extraction.text import TfidfVectorizer\n",
"from nltk.corpus import stopwords as nltk_stopwords\n",
"from transformers import BertTokenizer, BertModel\n",
"from sklearn.metrics.pairwise import cosine_similarity\n",
"import torch\n",
"import torch.nn.functional as F\n",
"\n",
"# BERT Tokenizer ve Model'i yükleyin\n",
"tokenizer = BertTokenizer.from_pretrained('dbmdz/bert-base-turkish-cased')\n",
"model = BertModel.from_pretrained('dbmdz/bert-base-turkish-cased')\n",
"\n",
"\n",
"#-------------------------- burada turkish_stop_words'ü alıyoruz\n",
"def load_stop_words(file_path):\n",
" \"\"\"Stop words'leri dosyadan okuyarak bir liste oluşturur.\"\"\"\n",
" with open(file_path, 'r', encoding='utf-8') as file:\n",
" stop_words = [line.strip() for line in file if line.strip()]\n",
" return stop_words\n",
"\n",
"# Türkçe stop words dosyasını yükleyin\n",
"stop_words_list = load_stop_words('turkish_stop_words.txt')\n",
"\n",
"#gömülen kelimeleri k-means ile kümeleyebiliriz , benzerlik oranını hesaplamak için farklı algoritmalardan yararlanabiliriz.\n",
"def get_bert_embeddings(text):\n",
" inputs = tokenizer(text, return_tensors='pt', truncation=True, padding=True)\n",
" with torch.no_grad():\n",
" outputs = model(**inputs)\n",
" # Son katmandaki gömme (embedding) çıktısını alın\n",
" return inputs['input_ids'],outputs.last_hidden_state\n",
"\n",
"#--------------------------- textleri tokenize eden fonksiyon \n",
"def get_token_embeddings(text):\n",
" inputs = tokenizer(text, return_tensors='pt', truncation=True, padding=True)\n",
" with torch.no_grad():\n",
" outputs = model(**inputs)\n",
" embeddings = outputs.last_hidden_state\n",
" return embeddings\n",
"\n",
"#------------------------------------ token verilerinin ortalaması (eşik değer için)\n",
"def average_embeddings(embeddings):\n",
" # Token vektörlerinin ortalamasını alarak metin düzeyinde özet oluştur\n",
" return torch.mean(embeddings, dim=1).squeeze()\n",
"\n",
"#keywordsler çıkarmak için kullanacağım fonksiyon \n",
"def extract_keywords_tfidf(corpus,stop_words_list):\n",
" \"\"\"TF-IDF ile anahtar kelimeleri çıkarır, stop words listesi ile birlikte kullanır.\"\"\"\n",
" vectorizer = TfidfVectorizer(stop_words=stop_words_list)\n",
" X = vectorizer.fit_transform(corpus)\n",
" feature_names = vectorizer.get_feature_names_out()\n",
" #scores = np.asarray(X.sum(axis=0)).flatten()\n",
" sorted_keywords = [feature_names[i] for i in X.sum(axis=0).argsort()[0, ::-1]]\n",
" #keywords = {feature_names[i]: scores[i] for i in range(len(feature_names))}\n",
" #sorted_keywords = sorted(keywords.items(), key=lambda x: x[1], reverse=True)\n",
" return sorted_keywords\n",
"\n",
"#tokenleri kelimelere dönüştürür ve listeler \n",
"def decode_tokens(input_ids):\n",
" # Token ID'lerini kelimelere dönüştür\n",
" tokens = tokenizer.convert_ids_to_tokens(input_ids.squeeze().tolist())\n",
" return tokens\n",
"\n",
"# Örnek metinler (buranın yerine combined_text kullanılacak)\n",
"texts = [\"\"\"Biyografi\n",
"İsim \n",
"Pşıqo ismi Ahecaqo soy ismidir. Çerkeslerin \"-qo\" soneki ile biten hem soyadları hem de lakapları vardı. Bu ek Türkçe adlardaki \"-oğlu\" ekiyle eş anlamlıdır. Pşıqo Türkçe \"Beyoğlu\" anlamına gelen bir lakaptır.\n",
"\n",
"Erken dönem \n",
"Çerkesler tarihlerini yazmadıkları ve tüm bilgiler Rus kaynaklarından geldiği için Ahecaqo hakkında pek bir şey kaydedilmedi. 1777'de Çerkesya'nın Bjeduğ bölgesinde doğdu. Askerî eğitim ile büyütüldü.\n",
"\n",
"Rus-Çerkes Savaşına Katılımı \n",
"Birkaç kaynak, Ahecaqo'nun tüm Çerkesya'da saygı duyulan bir kişi olduğunu belirtir. En az 6.000 atlıdan oluşan kalıcı bir ordusu vardı ve çatışmalar sırasında müfrezesi 12.000 atlıya ulaşıyordu. Rus birliklerine karşı kazandığı zaferlerle ünlüydü. Askeri becerisinin yanı sıra yetenekli bir devlet adamıydı.\n",
"\n",
"Ölüm \n",
"1837 yılında Rus tarafına geçti ve bir yıl sonra hastalıktan öldü.\n",
"\n",
"Kaynakça \n",
"\n",
"Çerkes soylular\n",
"1777 doğumlular\n",
"1838 yılında ölenler\n",
"Kafkas Savaşı'nda kişiler \"\"\"]\n",
" \n",
" \n",
"\n",
"#token ıd leri ve bert gömme vektörleri\n",
"for text in texts:\n",
" input_ids,embeddings= get_bert_embeddings(text)\n",
" \n",
" # BERT gömme vektörlerini elde et\n",
" #embeddings = [get_bert_embeddings(text) for text in texts]\n",
"\n",
" # Tokenları ve ortalama vektörleri al\n",
" tokens = decode_tokens(input_ids)\n",
" avg_embedding = average_embeddings(embeddings)\n",
" #ortalama embedding değerlerinden sadece 0'dan büyük olanları alma\n",
" positive_avg_embedding= avg_embedding[avg_embedding>0]\n",
" # Eğer pozitif embedding değerleri varsa, çıktıyı yazdır\n",
"\n",
"if len(positive_avg_embedding) > 0:\n",
" print(f\"Tokens: {tokens}\")\n",
" print(f\"Positive Average Embedding Shape: {positive_avg_embedding.shape}\")\n",
" print(f\"Positive Average Embedding: {positive_avg_embedding}\")\n",
"else:\n",
" print(\"No positive embedding values found.\")\n",
"\n",
" \n",
"# TF-IDF anahtar kelimelerini çıkar\n",
"keywords = extract_keywords_tfidf(texts,stop_words_list)\n",
"print(\"TF-IDF Keywords:\", keywords)\n",
"\n",
"# Gösterim\n",
"print(\"BERT Embeddings:\")\n",
"for i, emb in enumerate(embeddings):\n",
" print(f\"Text {i+1} embedding shape: {emb.shape}\")\n",
"\n",
"keywords_str = \" \".join([str(keyword) for keyword in keywords])\n",
"\n",
"\n",
"#metinleri birleştirip tf-ıdf matrisini oluşturma\n",
"# TF-IDF vektörleştirici oluşturma\n",
"tfidf_vectorizer = TfidfVectorizer(stop_words=stop_words_list)\n",
"corpus = [text, keywords_str]\n",
"tfidf_matrix = tfidf_vectorizer.fit_transform(corpus)\n",
"\n",
"# Anahtar kelimeler vektörünü ve diğer metin vektörünü ayırma\n",
"keywords_vector = tfidf_matrix[1]\n",
"document_vector = tfidf_matrix[0]\n",
"keywords_vector_dense = keywords_vector.toarray()\n",
"document_vector_dense = document_vector.toarray()\n",
"\n",
"# Kelimeleri ve TF-IDF değerlerini alma\n",
"feature_names = tfidf_vectorizer.get_feature_names_out()\n",
"tfidf_scores = tfidf_matrix.toarray()\n",
"similarity_score = cosine_similarity(keywords_vector_dense, document_vector_dense)\n",
"\n",
"# TF-IDF matrisini dense formata çevirme\n",
"dense_matrix = tfidf_matrix.todense()\n",
"# Dense matrisi liste haline getirme\n",
"tfidf_list = dense_matrix.tolist()\n",
"\n",
"\"\"\"# Liste halindeki TF-IDF değerlerini yazdırma\n",
"print(\"TF-IDF List:\")\n",
"for row in tfidf_list:\n",
" print(row)\"\"\"\n",
"# Anahtar kelimeler ve metin arasındaki cosine similarity hesaplama\n",
"similarity_score = cosine_similarity([keywords_vector], [document_vector])\n",
"\n",
"# Her bir kelime için TF-IDF değerlerini yazdırma\n",
"for doc_idx, doc in enumerate(tfidf_scores):\n",
" print(f\"Document {doc_idx + 1}:\")\n",
" for word_idx, score in enumerate(doc):\n",
" print(f\"Word: {feature_names[word_idx]}, TF-IDF: {score:.4f}\")\n",
" print(\"\\n\")\n",
"\n",
"# Sonucu yazdırma\n",
"print(f\"Keywords ile metin arasındaki benzerlik: {similarity_score[0][0]}\")\n",
"\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Türkçe stop_wordslerin tanımlanması ve kontrolü "
]
},
{
"cell_type": "code",
"execution_count": 35,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Sadece harflerden oluşan kelimeler kelimeler_sadece_harf.txt dosyasına yazıldı.\n"
]
}
],
"source": [
"import re\n",
"# Dosyadan kelimeleri oku ve sözlük oluştur\n",
"words_dict = {}\n",
"\n",
"# Kelimelerin bulunduğu txt dosyasının yolu\n",
"input_file_path = \"kelimeler.txt\" # Dosya adını kendi dosya adınla değiştir\n",
"output_file_path=\"kelimeler_sadece_harf.txt\" #sadece harflerin yazılacağı dosya \n",
"\n",
"#input ve output file ile sadece harfleri içeren dosyayı oluşturalım.\n",
"with open(input_file_path, \"r\", encoding=\"utf-8\") as input_file,\\\n",
" open(output_file_path, \"w\", encoding=\"utf-8\") as output_file:\n",
"\n",
" for line in input_file:\n",
" # Satırı parçala, numarayı atla ve kelimeyi al\n",
" parts = line.strip().split(\" \", 1)\n",
" if len(parts) > 1: # Numara ve kelime varsa\n",
" number = parts[0] # Numara\n",
" word = parts[1] # Kelime\n",
" if re.match(\"^[a-zA-ZğüşöçİĞÜŞÖÇıİ]+$\", word): # Sadece harfleri kontrol et\n",
" output_file.write(word + \"\\n\") # Sadece kelimeyi yaz\n",
"\n",
"print(f\"Sadece harflerden oluşan kelimeler {output_file_path} dosyasına yazıldı.\")\n",
"\n",
"\n",
"\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Positive Average Embedding Hesaplama"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"import re\n",
"import numpy as np\n",
"import pandas as pd\n",
"from nltk.stem import WordNetLemmatizer\n",
"from sklearn.feature_extraction.text import TfidfVectorizer\n",
"from nltk.corpus import stopwords as nltk_stopwords\n",
"from transformers import BertTokenizer, BertModel\n",
"from sklearn.metrics.pairwise import cosine_similarity\n",
"import torch\n",
"import torch.nn.functional as F\n",
"\n",
"# BERT Tokenizer ve Model'i yükleyin\n",
"tokenizer = BertTokenizer.from_pretrained('dbmdz/bert-base-turkish-cased')\n",
"model = BertModel.from_pretrained('dbmdz/bert-base-turkish-cased')\n",
"\n",
"#-------------------------- burada turkish_stop_words'ü alıyoruz\n",
"def load_stop_words(file_path):\n",
" \"\"\"Stop words'leri dosyadan okuyarak bir liste oluşturur.\"\"\"\n",
" with open(file_path, 'r', encoding='utf-8') as file:\n",
" stop_words = [line.strip() for line in file if line.strip()]\n",
" return stop_words\n",
"\n",
"# Türkçe stop words dosyasını yükleyin\n",
"stop_words_list = load_stop_words('gereksiz_kelimeler.txt')\n",
"\n",
"# Gömülü kelimeleri k-means ile kümeleyebiliriz , benzerlik oranını hesaplamak için farklı algoritmalardan yararlanabiliriz.\n",
"def get_bert_embeddings(text):\n",
" inputs = tokenizer(text, return_tensors='pt', truncation=True, padding=True)\n",
" with torch.no_grad():\n",
" outputs = model(**inputs)\n",
" # Son katmandaki gömme (embedding) çıktısını alın\n",
" return inputs['input_ids'], outputs.last_hidden_state\n",
"\n",
"#------------------------------------ token verilerinin ortalaması (eşik değer için)\n",
"def average_embeddings(embeddings):\n",
" # Token vektörlerinin ortalamasını alarak metin düzeyinde özet oluştur\n",
" return torch.mean(embeddings, dim=1).squeeze()\n",
"\n",
"# Keywords çıkarma fonksiyonu\n",
"def extract_keywords_tfidf(corpus, stop_words_list):\n",
" \"\"\"TF-IDF ile anahtar kelimeleri çıkarır, stop words listesi ile birlikte kullanır.\"\"\"\n",
" vectorizer = TfidfVectorizer(stop_words=stop_words_list)\n",
" X = vectorizer.fit_transform(corpus)\n",
" feature_names = vectorizer.get_feature_names_out()\n",
" sorted_keywords = [feature_names[i] for i in X.sum(axis=0).argsort()[0, ::-1]]\n",
" return sorted_keywords\n",
"\n",
"# Tokenları kelimelere dönüştürür ve listeler \n",
"def decode_tokens(input_ids):\n",
" tokens = tokenizer.convert_ids_to_tokens(input_ids.squeeze().tolist())\n",
" return tokens\n",
"\n",
"# Örnek metinler (buranın yerine combined_text kullanılacak)\n",
"texts = [\"\"\"Biyografi\n",
"İsim \n",
"Pşıqo ismi Ahecaqo soy ismidir. Çerkeslerin \"-qo\" soneki ile biten hem soyadları hem de lakapları vardı. Bu ek Türkçe adlardaki \"-oğlu\" ekiyle eş anlamlıdır. Pşıqo Türkçe \"Beyoğlu\" anlamına gelen bir lakaptır.\n",
"\n",
"Erken dönem \n",
"Çerkesler tarihlerini yazmadıkları ve tüm bilgiler Rus kaynaklarından geldiği için Ahecaqo hakkında pek bir şey kaydedilmedi. 1777'de Çerkesya'nın Bjeduğ bölgesinde doğdu. Askerî eğitim ile büyütüldü.\n",
"\n",
"Rus-Çerkes Savaşına Katılımı \n",
"Birkaç kaynak, Ahecaqo'nun tüm Çerkesya'da saygı duyulan bir kişi olduğunu belirtir. En az 6.000 atlıdan oluşan kalıcı bir ordusu vardı ve çatışmalar sırasında müfrezesi 12.000 atlıya ulaşıyordu. Rus birliklerine karşı kazandığı zaferlerle ünlüydü. Askeri becerisinin yanı sıra yetenekli bir devlet adamıydı.\n",
"\n",
"Ölüm \n",
"1837 yılında Rus tarafına geçti ve bir yıl sonra hastalıktan öldü.\n",
"\n",
"Kaynakça \n",
"\n",
"Çerkes soylular\n",
"1777 doğumlular\n",
"1838 yılında ölenler\n",
"Kafkas Savaşı'nda kişiler \"\"\"]\n",
"\n",
"# Token id'leri ve BERT gömme vektörleri\n",
"for text in texts:\n",
" input_ids, embeddings = get_bert_embeddings(text)\n",
" tokens = decode_tokens(input_ids)\n",
" avg_embedding = average_embeddings(embeddings)\n",
"\n",
" # Ortalama embedding değerlerinden sadece 0'dan büyük olanları alma\n",
" positive_avg_embedding = avg_embedding[avg_embedding > 0]\n",
"\n",
" if len(positive_avg_embedding) > 0:\n",
" print(f\"Tokens: {tokens}\")\n",
" print(f\"Positive Average Embedding Shape: {positive_avg_embedding.shape}\")\n",
" print(f\"Positive Average Embedding: {positive_avg_embedding}\")\n",
" else:\n",
" print(\"No positive embedding values found.\")\n",
"\n",
"# TF-IDF anahtar kelimelerini çıkar\n",
"keywords = extract_keywords_tfidf(texts, stop_words_list)\n",
"print(\"TF-IDF Keywords:\", keywords)\n",
"\n",
"# TF-IDF matrisini oluşturma\n",
"tfidf_vectorizer = TfidfVectorizer(stop_words=stop_words_list)\n",
"corpus = [\" \".join(keywords)] # Anahtar kelimeleri string olarak birleştir\n",
"tfidf_matrix = tfidf_vectorizer.fit_transform(corpus + texts)\n",
"\n",
"# Anahtar kelimeler vektörünü ve diğer metin vektörünü ayırma\n",
"keywords_vector = tfidf_matrix[0]\n",
"document_vectors = tfidf_matrix[1:]\n",
"\n",
"# Kelimeleri ve TF-IDF değerlerini alma\n",
"feature_names = tfidf_vectorizer.get_feature_names_out()\n",
"tfidf_scores = tfidf_matrix.toarray()\n",
"\n",
"# Cosine similarity hesaplama\n",
"similarity_scores = cosine_similarity(keywords_vector, document_vectors)\n",
"\n",
"# Her bir kelime için TF-IDF değerlerini yazdırma\n",
"for doc_idx, doc in enumerate(tfidf_scores[1:], start=1):\n",
" print(f\"Document {doc_idx}:\")\n",
" for word_idx, score in enumerate(doc):\n",
" print(f\"Word: {feature_names[word_idx]}, TF-IDF: {score:.4f}\")\n",
" print(\"\\n\")\n",
"\n",
"# Sonucu yazdırma\n",
"print(f\"Keywords ile metin arasındaki benzerlik: {similarity_scores[0][0]}\")\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Stop words ve texlerin tanımlanması "
]
},
{
"cell_type": "code",
"execution_count": 8,
"metadata": {},
"outputs": [
{
"ename": "TypeError",
"evalue": "process_texts() missing 1 required positional argument: 'top_n'",
"output_type": "error",
"traceback": [
"\u001b[1;31m---------------------------------------------------------------------------\u001b[0m",
"\u001b[1;31mTypeError\u001b[0m Traceback (most recent call last)",
"Cell \u001b[1;32mIn[8], line 86\u001b[0m\n\u001b[0;32m 84\u001b[0m combined_texts \u001b[38;5;241m=\u001b[39m mongo_db_combined_texts()\n\u001b[0;32m 85\u001b[0m \u001b[38;5;66;03m# Tüm metinleri işle\u001b[39;00m\n\u001b[1;32m---> 86\u001b[0m processed_texts \u001b[38;5;241m=\u001b[39m \u001b[43mprocess_texts\u001b[49m\u001b[43m(\u001b[49m\u001b[43mcombined_texts\u001b[49m\u001b[43m,\u001b[49m\u001b[43m \u001b[49m\u001b[43mstop_words_list\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 87\u001b[0m \u001b[38;5;66;03m# Top n anahtar kelimeyi almak için top_n değeri belirleyin\u001b[39;00m\n\u001b[0;32m 88\u001b[0m top_n \u001b[38;5;241m=\u001b[39m \u001b[38;5;241m5\u001b[39m\n",
"\u001b[1;31mTypeError\u001b[0m: process_texts() missing 1 required positional argument: 'top_n'"
]
}
],
"source": [
"from sklearn.feature_extraction.text import TfidfVectorizer\n",
"import numpy as np\n",
"import re\n",
"import pandas as pd\n",
"from nltk.stem import WordNetLemmatizer\n",
"from nltk.corpus import stopwords as nltk_stopwords\n",
"from transformers import BertTokenizer, BertModel\n",
"from sklearn.metrics.pairwise import cosine_similarity\n",
"import torch\n",
"from pymongo import MongoClient\n",
"import torch.nn.functional as F\n",
"\n",
"# BERT Tokenizer ve Model'i yükleyin\n",
"tokenizer = BertTokenizer.from_pretrained('dbmdz/bert-base-turkish-cased')\n",
"model = BertModel.from_pretrained('dbmdz/bert-base-turkish-cased')\n",
"\n",
"#-------------------------- burada turkish_stop_words'ü alıyoruz\n",
"def load_stop_words(file_path):\n",
" \"\"\"Stop words'leri dosyadan okuyarak bir liste oluşturur.\"\"\"\n",
" with open(file_path, 'r', encoding='utf-8') as file:\n",
" stop_words = [line.strip() for line in file if line.strip()]\n",
" return stop_words\n",
"#----------------------------------------------------------------------------------------------------\n",
"# Keywords çıkarma fonksiyonu\n",
"def extract_keywords_tfidf(corpus, stop_words_list,top_n=5):\n",
" \"\"\"TF-IDF ile anahtar kelimeleri çıkarır, stop words listesi ile birlikte kullanır.\"\"\"\n",
" vectorizer = TfidfVectorizer(stop_words=stop_words_list)\n",
" X = vectorizer.fit_transform(corpus)\n",
" feature_names = vectorizer.get_feature_names_out()\n",
" #sorted_keywords = [feature_names[i] for i in X.sum(axis=0).argsort()[0, ::-1]]\n",
" top_keywords_per_document = []\n",
"\n",
"\n",
" for row in X:\n",
" tfidf_scores = row.toarray().flatten()\n",
" top_indices = tfidf_scores.argsort()[-top_n:][::-1] # En yüksek n skoru bul\n",
" top_keywords = [feature_names[i] for i in top_indices]\n",
" top_keywords_per_document.append(top_keywords)\n",
"\n",
" return top_keywords_per_document\n",
"#-----------------------------------------------------------------------------------------------------\n",
"# Türkçe stop words dosyasını yükleyin\n",
"stop_words_list = load_stop_words('gereksiz_kelimeler.txt')\n",
"\n",
"#-----------------------------------------------------------------------------------------------------\n",
"# Define the text\n",
"\n",
"#for döngüsü içerisinde texts sütununu çek\n",
"#mongodb üzerinden combined_textleri çek\n",
"\n",
"def mongo_db_combined_texts(database_name='combined', collection_name='combined_output', host='localhost', port=27017):\n",
" client = MongoClient(f'mongodb://{host}:{port}/')\n",
" db = client[database_name]\n",
" collection = db[collection_name]\n",
" \n",
" # combined sütununu içeren bir liste döndür\n",
" combined_texts = [doc['combined'] for doc in collection.find({}, {'combined': 1, '_id': 0})]\n",
" \n",
" return combined_texts\n",
"\n",
"# Anahtar kelimeleri çıkar ve BERT ile embedding oluştur\n",
"def process_texts(combined_texts, stop_words_list,top_n):\n",
" results = []\n",
" \n",
" for text in combined_texts:\n",
" # Anahtar kelimeleri çıkar\n",
" keywords = extract_keywords_tfidf([text], stop_words_list)\n",
" \n",
" # BERT ile embedding oluştur\n",
" inputs = tokenizer(text, return_tensors='pt', truncation=True, max_length=512)\n",
" with torch.no_grad():\n",
" outputs = model(**inputs)\n",
" embeddings = outputs.last_hidden_state.mean(dim=1).squeeze()\n",
" \n",
" results.append({\n",
" 'text': text,\n",
" 'keywords': keywords,\n",
" 'embedding': embeddings\n",
" })\n",
" \n",
" return results\n",
"\n",
"# Örnek kullanım\n",
"combined_texts = mongo_db_combined_texts()\n",
"# Tüm metinleri işle\n",
"processed_texts = process_texts(combined_texts, stop_words_list,top_n=5)\n",
"# Top n anahtar kelimeyi almak için top_n değeri belirleyin\n",
"top_n = 5\n",
"top_keywords = extract_keywords_tfidf(corpus, stop_words_list, top_n=5)\n",
"\n",
"\"\"\"# Örnek olarak ilk iki metnin benzerliğini ölç\n",
"combined_texts = processed_texts[0]['embedding'].numpy()\n",
"embedding_2 = processed_texts[1]['embedding'].numpy()\n",
"similarity = cosine_similarity([embedding_1], [embedding_2])\n",
"\n",
"#print(f\"Metin 1 ve Metin 2 arasındaki benzerlik: {similarity[0][0]}\")\"\"\"\n",
"\n",
"for i, keywords in enumerate(top_keywords):\n",
" print(f\"Metin {i+1} için ilk {top_n} anahtar kelime: {keywords}\")\n",
"\n",
"\n",
"\n",
"\n",
"\n",
"\n",
"\n",
"#---------------------------------------------------------------------------------------------\n",
"texts = \"\"\"Peynir, çok büyük bir çeşitlilikteki aroma, tat, yapı ve şekle sahip bir grup süt ürünü için kullanılan genel isimdir.\n",
"\n",
"Etimoloji \n",
"Peynir, kelimesi modern Türkçeye Farsça sütten yapılmış manasına gelen panīr kelimesinden geçmiştir. İngilizceye ise Latince caseus dan gelmiştir. Bu kelimenin kökeninin Hint-Avrupa dillerinde yer alan mayalanmak-ekşimek manasına gelen kwat- kökünden geçtiği düşünülmektedir. Bu kelime diğer Cermen dillerinde de muhafaza edilmiştir. İspanyolca ve Portekizce de Latinceden almışlardır ve Malezya ve Endonezya da konuşulan dillere de keşifler vasıtasıyla geçirmişlerdir.\n",
"\n",
"Fransızca, İtalyanca ve Katalancaya ise yine aynı kökenden gelmiş olmasına ragmen, Romalılar tarafından askerlerin tüketimi için yapılan caseus formatus (kalıp peyniri) sözünün ikinci parçası olan kalıp manasına gelen formatusdan türeyen kelimeler kullanılmaya başlanmıştır. İspanyolcada \"queso\", Portekizcede \"queijo\", Almancada \"Käse\", Felemenkçede \"Kaas\", ve İngilizcede \"cheese\" İtalyancada \"formaggio\" olması yanında, Fransızcada \"fromage\", ve bu terim Katalancada \"formatge\" olmuştur.\n",
"\n",
"İlk kez Memluk Türkçesinde benir, penir, beynir şekillerinde görülür. Yazılı olarak en eski ÖzTürkçe karşılığı ise Kâşgarlı Mahmud tarafından yazılan Divânu Lügati't-Türk'te geçmektedir; udma ve udhıtma. Udhıtmak Uygur Türkçesi'nde uyutmak anlamındadır ve Udhıtma udhıttı, sütü uyutmak, uyumuş süt, peynir anlamında kullanılmıştır. Farklı Türk lehçelerinde farklı kelimeler kullanılmıştır: ağrımışık, sogut (Karluk), kurut, kesük, çökelek, bışlak.\n",
"\n",
" Tarihçe \n",
"Peynir kökeni oldukça eskiye dayanan bir yiyecektir. Peynir üretimine dair elde mevcut en eski arkeolojik bulgular M.Ö. 5000 yıllarına aittir ve günümüz Polonya'sında ortaya çıkarılmıştır. Çıkış noktaları Orta Asya, Orta Doğu ya da Avrupa olarak tahmin edilmektedir. Yaygınlaşmasının Roma İmparatorluğu zamanlarında olduğu düşünülür.\n",
"\n",
"İlk üretimi için önerilen tarih MÖ 8. binyıl (koyunun evcilleşitirildiği tarih) ile 9. binyıla kadar değişir. O zamanlar yiyecekleri saklayıcı özelliği nedeniyle hayvanın derisi ya da iç organları kullanılmaktaydı. Bu iç organlardan olan midede (işkembe) saklanan sütün buradaki enzimlerle (kültürle) mayalanması üzerine lor haline gelmesi peynirin ilk oluşumu hakkındaki teorilerden biridir. Buna benzer bir hikâyenin, bir tüccar Arap'ın peynir saklaması hakkında da farklı söylenişleri vardır.Vicki Reich, Cheese January 2002 Newsletter, Moscow Food Co-op Food Info. \n",
"\n",
"Bir başka teoriyse peynirin sütü tuzlamak ve basınç altında tutma sonucunda ortaya çıktığıdır. Hayvan midesinde bekletilen sütün değişimi üzerine de bu karışıma kasıtlı olarak maya eklenmiş olabilir.\n",
"\n",
"Peynir yapıcılığı ile ilgili ilk yazılı kaynak MÖ 2000'li yıllara, Mısır'daki mezar yazıtlarına dayanmaktadır. Antik zamanlarda yapılan peynirin ekşi ve tuzlu olduğu ve günümüz feta ve beyaz peynire benzediği tahmin edilmektedir.\n",
"\n",
"Avrupa'daki peynir üretiminde ise iklimden dolayı daha az tuz kullanılır. Daha az tuzlu ortamda daha çeşitli faydalı mikrop ve enzim yetişebilmesinden dolayı bu peynirler farklı ve ilginç tatlar içerirler.\n",
"\n",
" Modern çağ \n",
"\n",
"Avrupa kültürüyle birlikte yayılmasına kadar peynir, Doğu Asya kültürlerinde ve Kolomb öncesi Amerika'da neredeyse hiç duyulmamıştı ve Akdeniz altı Afrika'da yalnızca sınırlı bir kullanıma sahipti, esasen yalnızca Avrupa, Orta Doğu, Hint altkıtası ve ve bu kültürlerden etkilenen bölgelerde yaygın ve popülerdi. Ancak önce Avrupa emperyalizminin daha sonra da Avrupa-Amerikan kültürünün ve yemeklerinin yayılmasıyla birlikte peynir dünyada giderek daha fazla tanınmaya ve popülerleşmeye başladı.\n",
"\n",
"Peynirin endüstriyel üretimi için ilk fabrika 1815'te İsviçre'de açıldı ancak büyük ölçekli üretim ilk olarak Amerika Birleşik Devletleri'nde gerçek başarıyı yakaladı. Bu başarı genellikle montaj-hattı tarzında komşu çiftliklerden gelen sütü kullanarak 1851'de peynir yapmaya başlayan ve Roma, New York'tan mandıra çiftçisi olan Jesse Williams'a atfedilir. \n",
"Onlarca yıl içinde bu türden yüzlerce süt birlikleri ortaya çıktı.\n",
"\n",
"1860'larda seri üretilen peynir mayası üretimi başladı ve yüzyılın başında bilim adamları saf mikrobiyal kültürler üretiyorlardı. O zamandan önce, peynir yapımındaki bakteriler çevreden veya daha önceki bir partinin peynir altı suyunun geri dönüştürülmesinden geliyordu; saf kültürler, daha standart bir peynirin üretilebileceği anlamına geliyordu.\n",
"\n",
"Fabrika yapımı peynir İkinci Dünya Savaşı döneminde geleneksel peynir yapımını geride bıraktı ve fabrikalar o zamandan beri Amerika ve Avrupa'daki çoğu peynirin kaynağıdır.\n",
"\n",
"Birleşmiş Milletler Gıda ve Tarım Örgütü'ne göre 2004 yılı dünya üzerindeki peynir üretimi 18 milyon ton dur. Bu kahve tanesi, çay yaprağı kakao tanesi ve tütün yıllık üretiminden daha fazladır.\n",
"\n",
" Üretim \n",
"\n",
"2014 yılında tam inek sütünden yapılan peynir üretimi dünya’da 18.7 milyon tondu ve Amerika Birleşik Devletleri dünya toplamının %29'u (5.4 milyon ton) peynir üretirken onu büyük üreticiler olarak Almanya, Fransa ve İtalya izledi.\n",
"\n",
"İşlenmiş peynirde diğer 2014 dünya toplamları şunlardı:\n",
" yağsız inek sütünden, 2.4 milyon ton (845,500 ton ile Almanya liderdir)\n",
" keçi sütünden, 523,040 ton (110,750 ton ile Güney Sudan liderdir)\n",
" koyun sütünden, 680,302 ton (125,000 ton ile Yunanistan liderdir)\n",
" manda sütünden, 282,127 ton (254,000 ton Mısır liderdir)\n",
"\n",
"2015 yılında Almanya, Fransa, Hollanda ve İtalya ürettikleri peynirin %10-14'ünü ihraç etti. Amerika Birleşik Devletleri üretiminin çoğunu kendi iç pazarına sattığından ihracatı azdır (toplam inek sütü üretiminin %5.3'ü).\n",
"\n",
"2004 yılına göre en büyük peynir ihracatcısı (parasal değere göre) Fransa olup ikinci Almanya (miktar bakımından birinci olmasına rağmen). En üstteki on ihracatçıdan sadece İrlanda, Yeni Zelanda, Hollanda ve Avustralya ihracat için peynir üretir. Üretimlerinin ihracat yüzdeleri sırasıyla: %95, %90, %72 ve %65 dir. En büyük peynir ihracatçısı Fransa peynir üretiminin sadece %30'unu ihraç eder.\n",
"\n",
" Tüketim \n",
"Fransa, İzlanda, Finlandiya, Danimarka ve Almanya 2014 yılında kişi başına ortalama peynir tüketen ülkelerdi.\n",
"\n",
"{| class=\"wikitable\" style=\"width:30em;\"\n",
"! colspan=2|En çok peynir tüketen ülkeler - 2003(kişi başına yılık tüketim kg olarak)<ref>{{Web kaynağı |url=http://www.maison-du-lait.com/Scripts/public/stat.asp?Language=GB |başlık=CNIEL |erişimtarihi=20 Eylül 2008 |arşivurl=https://web.archive.org/web/20071006081314/http://www.maison-du-lait.com/Scripts/public/stat.asp?Language=GB |arşivtarihi=6 Ekim 2007 |ölüurl=evet }}</ref>\n",
"|-\n",
"| || align=\"right\" | 27.3\n",
"|-\n",
"| || align=\"right\" | 24.0\n",
"|-\n",
"| || align=\"right\" | 22.9\n",
"|-\n",
"| || align=\"right\" | 20.6\n",
"|-\n",
"| || align=\"right\" | 20.2\n",
"|-\n",
"| || align=\"right\" | 19.9\n",
"|-\n",
"| || align=\"right\" | 19.5\n",
"|-\n",
"| || align=\"right\" | 17.9\n",
"|}\n",
"\n",
" Yapımı \n",
"\n",
"Peynir, süt proteini kazeinin peynir mayası ve peynir kültürü ile pıhtılaştırılması ve bu pıhtıdan peynir altı suyunun ayrılmasıyla elde edilen fermente bir süt ürünüdür. Buna karşılık kazein yerine peynir altı suyu proteininden oluşan ricotta ve lor gibi peynirler ile peynir mayası içermeyen quark gibi peynirler de vardır. Sütün pH değerinin düşürülmesi için kullanılan peynir kültürü de peynir üretimi için zorunlu olmayıp sitrik asit ve sirke gibi asit içeren maddeler ile sübstitüte edilebilir.\n",
"\n",
"Peynir altı suyu ayrıldıktan sonra tuzlu peynirler için tuzlama aşamasına gelinir. Tuzlama, peynirin yüzeyine kuru tuzlama şeklinde veya peynir salamuraya daldırılarak yapılabilir. Peynir altı suyunun tekrar 90 C°'ye kaynatılması ile lor peynir elde edilir.\n",
"\n",
"Takip eden basamak olgunlaştırmadır; peynir taze olarak tüketilebileceği gibi belirli bir olgunlaştırma periyodunu takiben de tüketilebilir.\n",
"Bu üretim basamaklarına ait teknik parametrelere bağlı olarak çok geniş bir çeşitlilikte peynirler elde edilir.\n",
"\n",
"Diğer fermente süt ürünleri gibi peynir de canlı organizmalar içerebilir. Raf ömrü boyunca peynirin duyusal, yapısal ve kimyasal özelliklerinde çeşitli değişiklikler görülebilir. Bu değişikliklerin en az olması için peynirin genellikle 6-8 °C’lik sıcaklıklarda tutulması gereklidir.\n",
"\n",
"Soğuk iklimlerde yaşayanlar için sıcaklığı 6-8 °C civarında, nem oranı sabit ve havadar kilerler peynir saklamak için idealdir. Ancak bu imkânın olmadığı yerde peynir buzdolabının alt raflarında ve kapalı şekilde saklanmalıdır.\n",
"\n",
" Çeşitleri \n",
"\n",
"Türkiye'de tüketimi en yaygın olan peynirler; beyaz peynir, deri peyniri ve kaşar peyniri olmakla birlikte, yöresel peynirler yönünden de hayli çeşitlilik gösterir. Bunlardan bazıları: \n",
"\n",
" Beslenme ve sağlık \n",
"Peynirin besin değeri çok değişkendir. Süzme peynir %4 yağ ve %11 protein içerebilirken bazı peynir altı suyu peynirleri %15 yağ ve %11 protein ve üçlü krem peynirler %36 yağ ve %7 protein içerir. Genellikle peynir, zengin bir kalsiyum, protein, fosfor, sodyum ve doymuş yağ (Günlük Değer'in %20'si veya daha fazlası) kaynağıdır. 28 gramlık (bir ons) porsiyon çedar peyniri yaklaşık protein ve 202 miligram kalsiyum içerir. Besinsel olarak peynir esasında konsantre süttür ancak kültür ve yaşlandırma süreçlerince değiştirilir: bu kadar proteini sağlamak için, suda çözünen vitamin ve minerallerin miktarları değişmesine rağmen, yaklaşık süt ve buna eşit kalsiyum gerekir.\n",
"\n",
"Sağlıklı hayvan sütlerinden sağlıklı şartlarda üretilen peynirin insan beslenmesine protein, kalsiyum, mineraller ve diğer besin elemanlarının temin edilmesinde ve sağlıklı yaşamın sürdürülmesinde önemli katkıları bulunur. Ancak çiğ sütten yapılan peynirlerden Brucella ve Listeria gibi zoonotik enfeksiyonların tüketenlere bulaşması, ayrıca uygun saklama koşullarına uyulmaması dolayısıyla bakteri üremesine bağlı akut barsak enfeksiyonlarının gelişmesi mümkündür. Tuzlu peynir tüketimi hipertansiyon hastalarında risk oluşturabilir.\n",
"\n",
"Küflü peynir tüketimi\n",
"\n",
"Bazı (yumuşak tip) küflü peynir çeşitlerinin listeria riski dolayısıyla hamilelerde tüketiminin uygun olmadığı, pişirilerek yenmesi durumunda bu sakıncanın ortadan kalkmış olacağı NHS tarafından ifade edilmektedir. Konya'da yöresel olarak tüketilen küflü peynir çeşitleri üzerinde akademik yapılan bir çalışma ile bu peynirlerden elde edilen küf cinsleri, bunların primer ve sekonder metabolitleri, ürettikleri mikotoksinler, aspergillus tipi küflerde ise aflatoksinler gibi kanser yapıcı toksinlerin mevcudiyeti ve zararları ele alınmıştır. Küflü peynirler üzerinde yapılan bir başka çalışmada ise özellikle siyah, beyaz ve kırmızı renkte küf içeren peynir çeşitlerinde aflatoksin miktarının yüksekliğine dikkat çekilmiştir. Bazı mikotoksinlerin DNA hasarı (mutajen) ve fetüs üzerinde sakatlık oluşturma (teratojen) kapasitelerinin olduğu bilinmektedir.http://www.academia.edu/3251581/DUNYADA_VE_TURKIYEDE_INSAN_SAGLIGINI_TEHDIT_EDEN_MIKOTOKSINLERhttp://informahealthcare.com/doi/abs/10.3109/15569549909009258\n",
"\n",
" Peynirle ilgili kitaplar \n",
" \"Süt Uyuyunca - Türkiye Peynirleri\", Artun Ünsal, Yapı Kredi Yayınları, İstanbul, 1. Baskı 1997.\n",
" \"Türkiye'nin Peynir Hazineleri* \" (Özgün adı: The Treasury of Turkish Cheeses''), Suzanne Swan, Boyut Yayın Grubu, 2005.\n",
" \"Yurdumuz Peynirlerini Olgunlaştıran Mikroplar ve Anzimleri\", Mehmet Karasoy, Ankara Üniversitesi Veteriner Fakültesi Yay. 1955.\n",
" \"Her Yönüyle Peynir\", Mehmet Demirci, Hasad Yayıncılık.\n",
" \"Türkiye'de Yapılan Muhtelif Tip Peynirler ve Özellikleri\", Dilek Uraz - Abdi Karacabey, Ankara, 1974.\n",
" \"Peynir\", Rauf Cemil Adam, Ege Üniv. Matbaası, 1974.\n",
" \"Peynir Teknolojisi Bibliyografyası\", Tümer Uraz, Ankara Üniv.\n",
" \"Sütçülük, Tereyağcılık ve Peynircilik Sanatları'\" (Eski Türkçe), Onnik İhsan, Matbaa-i Âmire, İstanbul, 1915.\n",
"\n",
"Ayrıca bakınız \n",
" Mandıra ürünü\n",
"\n",
"Notlar \n",
"\n",
" \n",
"Süt ürünleri\n",
"Farsçadan Türkçeye geçen sözcükler\"\"\"\n",
"\n",
"\n",
"# Tek bir metin üzerinde çalışıyorsanız, bunu bir liste olarak verin\n",
"#corpus = [texts]\n",
"\n",
"\n",
"# Anahtar kelimeleri düz bir listeye dönüştür\n",
"#--------------------- tanımlanıp çekilecek tfidf_keywords = tfidf_keywords_array.flatten().tolist()\n",
"# TF-IDF anahtar kelimelerini çıkar\n",
"#tfidf_keywords_extract= extract_keywords_tfidf(corpus, stop_words_list)\n",
"\n",
"#print(\"TF-IDF Keywords:\",tfidf_keywords_extract )\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": 23,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"TF-IDF Keywords: ['peynir', 'peynirin', 'peynirler', 'olarak', 'ton', 'süt', 'avrupa', 'right', 'align', 'yapılan', 'altı', 'üretimi', 'protein', 'büyük', 'elde', 'amerika', 'almanya', 'sütünden', 'fransa', 'dünya', 'farklı', 'küflü', 'ilk', 'kalsiyum', 'çok', 'türkiye', 'peyniri', 'yağ', 'gelen', '20', 'sütü', 'tüketimi', 'tuzlu', 'milyon', 'liderdir', 'olan', 'diğer', 'com', 'doğu', 'daki', 'beyaz', 'devletleri', '2014', 'üzerinde', 'web', 'mayası', 'eski', 'manasına', 'olduğu', 'sağlıklı', 'ortaya', 'www', 'veya', 'tuzlama', 'sütün', 'üretiminin', 'suyu', 'suyunun', 'orta', 'tarafından', 'ankara', 'üretim', 'birleşik', 'lor', 'inek', 'iç', 'göre', 'edilmektedir', 'http', 'üniv', 'üzerine', 'ürünü', '11', '10', '90', '000', 'du', 'dillerinde', 'çeşitli', 'çeşitleri', 'caseus', 'cheese', 'dolayısıyla', 'asit', 'başına', 'asp', 'asya', 'ayrıca', 'üretilen', 'başladı', 'başka', 'besin', 'kaynağıdır', 'kelimeler', 'kalıp', 'yöresel', 'içeren', 'hint', 'ikinci', 'zamandan', 'hollanda', 'günümüz', 'food', 'fermente', 'gb', 'geliyordu', 'fabrika', 'edilen', 'olması', 'olmasına', 'yaygın', 'yapımı', 'olmadığı', 'mısır', 'mö', 'modern', 'maison', 'mandıra', 'nde', 'lk', 'listeria', 'language', 'lait', 'mehmet', 'kullanılmıştır', 'kişi', 'kültürü', 'küf', 'kültürler', 'kullanılan', 'hayvan', 'ilgili', 'içerir', 'ihracat', 'ihraç', 'roma', 'yaklaşık', 'yalnızca', 'peynirleri', 'peynirlerden', 'yapı', 'uraz', 'uyutmak', 'uygun', 'vardır', 'rağmen', 'stanbul', 'scripts', 'yazılı', 'ref', 'proteini', 'public', 'saf', 'te', 'stat', 'sütten', 'türk', 'udhıttı', 'udhıtmak', 'tütün', 'şeklinde', 'üretiyorlardı', 'üretirken', 'üretir', 'üretimlerinin', 'üretimine', 'üretiminden', 'üretiminde', '1860', '1851', '1815']\n"
]
}
],
"source": [
"import numpy as np\n",
"\n",
"tfidf_keywords_array = np.array([\n",
" ['peynir', 'peynirin', 'peynirler', 'olarak', 'ton', 'süt',\n",
" 'avrupa', 'right', 'align', 'yapılan', 'altı', 'üretimi',\n",
" 'protein', 'büyük', 'elde', 'amerika', 'almanya', 'sütünden',\n",
" 'fransa', 'dünya', 'farklı', 'küflü', 'ilk', 'kalsiyum', 'çok',\n",
" 'türkiye', 'peyniri', 'yağ', 'gelen', '20', 'sütü', 'tüketimi',\n",
" 'tuzlu', 'milyon', 'liderdir', 'olan', 'diğer', 'com', 'doğu',\n",
" 'daki', 'beyaz', 'devletleri', '2014', 'üzerinde', 'web',\n",
" 'mayası', 'eski', 'manasına', 'olduğu', 'sağlıklı', 'ortaya',\n",
" 'www', 'veya', 'tuzlama', 'sütün', 'üretiminin', 'suyu',\n",
" 'suyunun', 'orta', 'tarafından', 'ankara', 'üretim', 'birleşik',\n",
" 'lor', 'inek', 'iç', 'göre', 'edilmektedir', 'http', 'üniv',\n",
" 'üzerine', 'ürünü', '11', '10', '90', '000', 'du', 'dillerinde',\n",
" 'çeşitli', 'çeşitleri', 'caseus', 'cheese', 'dolayısıyla',\n",
" 'asit', 'başına', 'asp', 'asya', 'ayrıca', 'üretilen', 'başladı',\n",
" 'başka', 'besin', 'kaynağıdır', 'kelimeler', 'kalıp', 'yöresel',\n",
" 'içeren', 'hint', 'ikinci', 'zamandan', 'hollanda', 'günümüz',\n",
" 'food', 'fermente', 'gb', 'geliyordu', 'fabrika', 'edilen',\n",
" 'olması', 'olmasına', 'yaygın', 'yapımı', 'olmadığı', 'mısır',\n",
" 'mö', 'modern', 'maison', 'mandıra', 'nde', 'lk', 'listeria',\n",
" 'language', 'lait', 'mehmet', 'kullanılmıştır', 'kişi',\n",
" 'kültürü', 'küf', 'kültürler', 'kullanılan', 'hayvan', 'ilgili',\n",
" 'içerir', 'ihracat', 'ihraç', 'roma', 'yaklaşık', 'yalnızca',\n",
" 'peynirleri', 'peynirlerden', 'yapı', 'uraz', 'uyutmak', 'uygun',\n",
" 'vardır', 'rağmen', 'stanbul', 'scripts', 'yazılı', 'ref',\n",
" 'proteini', 'public', 'saf', 'te', 'stat', 'sütten', 'türk',\n",
" # Daha fazla eleman ekleyin\n",
" 'udhıttı', 'udhıtmak', 'tütün', 'şeklinde', 'üretiyorlardı',\n",
" 'üretirken', 'üretir', 'üretimlerinin', 'üretimine',\n",
" 'üretiminden', 'üretiminde', '1860', '1851', '1815']\n",
"], dtype=object)\n",
"\n",
"# Anahtar kelimeleri düz bir listeye dönüştür\n",
"tfidf_keywords = tfidf_keywords_array.flatten().tolist()\n",
"\n",
"# Sonuçları yazdır\n",
"print(\"TF-IDF Keywords:\", tfidf_keywords)\n"
]
},
{
"cell_type": "code",
"execution_count": 22,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Keyword: peynir, Similarity: 0.5207716926048784\n",
"Keyword: peynirin, Similarity: 0.1136229147501553\n",
"Keyword: peynirler, Similarity: 0.0946857622917961\n",
"Keyword: olarak, Similarity: 0.0946857622917961\n",
"Keyword: ton, Similarity: 0.0946857622917961\n"
]
}
],
"source": [
"from sklearn.feature_extraction.text import TfidfVectorizer\n",
"from sklearn.metrics.pairwise import cosine_similarity\n",
"\n",
"# Text ve keywords\n",
"text = \"\"\"Peynir, çok büyük bir çeşitlilikteki aroma, tat, yapı ve şekle sahip bir grup süt ürünü için kullanılan genel isimdir.\n",
"\n",
"Etimoloji \n",
"Peynir, kelimesi modern Türkçeye Farsça sütten yapılmış manasına gelen panīr kelimesinden geçmiştir. İngilizceye ise Latince caseus dan gelmiştir. Bu kelimenin kökeninin Hint-Avrupa dillerinde yer alan mayalanmak-ekşimek manasına gelen kwat- kökünden geçtiği düşünülmektedir. Bu kelime diğer Cermen dillerinde de muhafaza edilmiştir. İspanyolca ve Portekizce de Latinceden almışlardır ve Malezya ve Endonezya da konuşulan dillere de keşifler vasıtasıyla geçirmişlerdir.\n",
"\n",
"Fransızca, İtalyanca ve Katalancaya ise yine aynı kökenden gelmiş olmasına ragmen, Romalılar tarafından askerlerin tüketimi için yapılan caseus formatus (kalıp peyniri) sözünün ikinci parçası olan kalıp manasına gelen formatusdan türeyen kelimeler kullanılmaya başlanmıştır. İspanyolcada \"queso\", Portekizcede \"queijo\", Almancada \"Käse\", Felemenkçede \"Kaas\", ve İngilizcede \"cheese\" İtalyancada \"formaggio\" olması yanında, Fransızcada \"fromage\", ve bu terim Katalancada \"formatge\" olmuştur.\n",
"\n",
"İlk kez Memluk Türkçesinde benir, penir, beynir şekillerinde görülür. Yazılı olarak en eski ÖzTürkçe karşılığı ise Kâşgarlı Mahmud tarafından yazılan Divânu Lügati't-Türk'te geçmektedir; udma ve udhıtma. Udhıtmak Uygur Türkçesi'nde uyutmak anlamındadır ve Udhıtma udhıttı, sütü uyutmak, uyumuş süt, peynir anlamında kullanılmıştır. Farklı Türk lehçelerinde farklı kelimeler kullanılmıştır: ağrımışık, sogut (Karluk), kurut, kesük, çökelek, bışlak.\n",
"\n",
" Tarihçe \n",
"Peynir kökeni oldukça eskiye dayanan bir yiyecektir. Peynir üretimine dair elde mevcut en eski arkeolojik bulgular M.Ö. 5000 yıllarına aittir ve günümüz Polonya'sında ortaya çıkarılmıştır. Çıkış noktaları Orta Asya, Orta Doğu ya da Avrupa olarak tahmin edilmektedir. Yaygınlaşmasının Roma İmparatorluğu zamanlarında olduğu düşünülür.\n",
"\n",
"İlk üretimi için önerilen tarih MÖ 8. binyıl (koyunun evcilleşitirildiği tarih) ile 9. binyıla kadar değişir. O zamanlar yiyecekleri saklayıcı özelliği nedeniyle hayvanın derisi ya da iç organları kullanılmaktaydı. Bu iç organlardan olan midede (işkembe) saklanan sütün buradaki enzimlerle (kültürle) mayalanması üzerine lor haline gelmesi peynirin ilk oluşumu hakkındaki teorilerden biridir. Buna benzer bir hikâyenin, bir tüccar Arap'ın peynir saklaması hakkında da farklı söylenişleri vardır.Vicki Reich, Cheese January 2002 Newsletter, Moscow Food Co-op Food Info. \n",
"\n",
"Bir başka teoriyse peynirin sütü tuzlamak ve basınç altında tutma sonucunda ortaya çıktığıdır. Hayvan midesinde bekletilen sütün değişimi üzerine de bu karışıma kasıtlı olarak maya eklenmiş olabilir.\n",
"\n",
"Peynir yapıcılığı ile ilgili ilk yazılı kaynak MÖ 2000'li yıllara, Mısır'daki mezar yazıtlarına dayanmaktadır. Antik zamanlarda yapılan peynirin ekşi ve tuzlu olduğu ve günümüz feta ve beyaz peynire benzediği tahmin edilmektedir.\n",
"\n",
"Avrupa'daki peynir üretiminde ise iklimden dolayı daha az tuz kullanılır. Daha az tuzlu ortamda daha çeşitli faydalı mikrop ve enzim yetişebilmesinden dolayı bu peynirler farklı ve ilginç tatlar içerirler.\n",
"\n",
" Modern çağ \n",
"\n",
"Avrupa kültürüyle birlikte yayılmasına kadar peynir, Doğu Asya kültürlerinde ve Kolomb öncesi Amerika'da neredeyse hiç duyulmamıştı ve Akdeniz altı Afrika'da yalnızca sınırlı bir kullanıma sahipti, esasen yalnızca Avrupa, Orta Doğu, Hint altkıtası ve ve bu kültürlerden etkilenen bölgelerde yaygın ve popülerdi. Ancak önce Avrupa emperyalizminin daha sonra da Avrupa-Amerikan kültürünün ve yemeklerinin yayılmasıyla birlikte peynir dünyada giderek daha fazla tanınmaya ve popülerleşmeye başladı.\n",
"\n",
"Peynirin endüstriyel üretimi için ilk fabrika 1815'te İsviçre'de açıldı ancak büyük ölçekli üretim ilk olarak Amerika Birleşik Devletleri'nde gerçek başarıyı yakaladı. Bu başarı genellikle montaj-hattı tarzında komşu çiftliklerden gelen sütü kullanarak 1851'de peynir yapmaya başlayan ve Roma, New York'tan mandıra çiftçisi olan Jesse Williams'a atfedilir. \n",
"Onlarca yıl içinde bu türden yüzlerce süt birlikleri ortaya çıktı.\n",
"\n",
"1860'larda seri üretilen peynir mayası üretimi başladı ve yüzyılın başında bilim adamları saf mikrobiyal kültürler üretiyorlardı. O zamandan önce, peynir yapımındaki bakteriler çevreden veya daha önceki bir partinin peynir altı suyunun geri dönüştürülmesinden geliyordu; saf kültürler, daha standart bir peynirin üretilebileceği anlamına geliyordu.\n",
"\n",
"Fabrika yapımı peynir İkinci Dünya Savaşı döneminde geleneksel peynir yapımını geride bıraktı ve fabrikalar o zamandan beri Amerika ve Avrupa'daki çoğu peynirin kaynağıdır.\n",
"\n",
"Birleşmiş Milletler Gıda ve Tarım Örgütü'ne göre 2004 yılı dünya üzerindeki peynir üretimi 18 milyon ton dur. Bu kahve tanesi, çay yaprağı kakao tanesi ve tütün yıllık üretiminden daha fazladır.\n",
"\n",
" Üretim \n",
"\n",
"2014 yılında tam inek sütünden yapılan peynir üretimi dünya’da 18.7 milyon tondu ve Amerika Birleşik Devletleri dünya toplamının %29'u (5.4 milyon ton) peynir üretirken onu büyük üreticiler olarak Almanya, Fransa ve İtalya izledi.\n",
"\n",
"İşlenmiş peynirde diğer 2014 dünya toplamları şunlardı:\n",
" yağsız inek sütünden, 2.4 milyon ton (845,500 ton ile Almanya liderdir)\n",
" keçi sütünden, 523,040 ton (110,750 ton ile Güney Sudan liderdir)\n",
" koyun sütünden, 680,302 ton (125,000 ton ile Yunanistan liderdir)\n",
" manda sütünden, 282,127 ton (254,000 ton Mısır liderdir)\n",
"\n",
"2015 yılında Almanya, Fransa, Hollanda ve İtalya ürettikleri peynirin %10-14'ünü ihraç etti. Amerika Birleşik Devletleri üretiminin çoğunu kendi iç pazarına sattığından ihracatı azdır (toplam inek sütü üretiminin %5.3'ü).\n",
"\n",
"2004 yılına göre en büyük peynir ihracatcısı (parasal değere göre) Fransa olup ikinci Almanya (miktar bakımından birinci olmasına rağmen). En üstteki on ihracatçıdan sadece İrlanda, Yeni Zelanda, Hollanda ve Avustralya ihracat için peynir üretir. Üretimlerinin ihracat yüzdeleri sırasıyla: %95, %90, %72 ve %65 dir. En büyük peynir ihracatçısı Fransa peynir üretiminin sadece %30'unu ihraç eder.\n",
"\n",
" Tüketim \n",
"Fransa, İzlanda, Finlandiya, Danimarka ve Almanya 2014 yılında kişi başına ortalama peynir tüketen ülkelerdi.\n",
"\n",
"{| class=\"wikitable\" style=\"width:30em;\"\n",
"! colspan=2|En çok peynir tüketen ülkeler - 2003(kişi başına yılık tüketim kg olarak)<ref>{{Web kaynağı |url=http://www.maison-du-lait.com/Scripts/public/stat.asp?Language=GB |başlık=CNIEL |erişimtarihi=20 Eylül 2008 |arşivurl=https://web.archive.org/web/20071006081314/http://www.maison-du-lait.com/Scripts/public/stat.asp?Language=GB |arşivtarihi=6 Ekim 2007 |ölüurl=evet }}</ref>\n",
"|-\n",
"| || align=\"right\" | 27.3\n",
"|-\n",
"| || align=\"right\" | 24.0\n",
"|-\n",
"| || align=\"right\" | 22.9\n",
"|-\n",
"| || align=\"right\" | 20.6\n",
"|-\n",
"| || align=\"right\" | 20.2\n",
"|-\n",
"| || align=\"right\" | 19.9\n",
"|-\n",
"| || align=\"right\" | 19.5\n",
"|-\n",
"| || align=\"right\" | 17.9\n",
"|}\n",
"\n",
" Yapımı \n",
"\n",
"Peynir, süt proteini kazeinin peynir mayası ve peynir kültürü ile pıhtılaştırılması ve bu pıhtıdan peynir altı suyunun ayrılmasıyla elde edilen fermente bir süt ürünüdür. Buna karşılık kazein yerine peynir altı suyu proteininden oluşan ricotta ve lor gibi peynirler ile peynir mayası içermeyen quark gibi peynirler de vardır. Sütün pH değerinin düşürülmesi için kullanılan peynir kültürü de peynir üretimi için zorunlu olmayıp sitrik asit ve sirke gibi asit içeren maddeler ile sübstitüte edilebilir.\n",
"\n",
"Peynir altı suyu ayrıldıktan sonra tuzlu peynirler için tuzlama aşamasına gelinir. Tuzlama, peynirin yüzeyine kuru tuzlama şeklinde veya peynir salamuraya daldırılarak yapılabilir. Peynir altı suyunun tekrar 90 C°'ye kaynatılması ile lor peynir elde edilir.\n",
"\n",
"Takip eden basamak olgunlaştırmadır; peynir taze olarak tüketilebileceği gibi belirli bir olgunlaştırma periyodunu takiben de tüketilebilir.\n",
"Bu üretim basamaklarına ait teknik parametrelere bağlı olarak çok geniş bir çeşitlilikte peynirler elde edilir.\n",
"\n",
"Diğer fermente süt ürünleri gibi peynir de canlı organizmalar içerebilir. Raf ömrü boyunca peynirin duyusal, yapısal ve kimyasal özelliklerinde çeşitli değişiklikler görülebilir. Bu değişikliklerin en az olması için peynirin genellikle 6-8 °C’lik sıcaklıklarda tutulması gereklidir.\n",
"\n",
"Soğuk iklimlerde yaşayanlar için sıcaklığı 6-8 °C civarında, nem oranı sabit ve havadar kilerler peynir saklamak için idealdir. Ancak bu imkânın olmadığı yerde peynir buzdolabının alt raflarında ve kapalı şekilde saklanmalıdır.\n",
"\n",
" Çeşitleri \n",
"\n",
"Türkiye'de tüketimi en yaygın olan peynirler; beyaz peynir, deri peyniri ve kaşar peyniri olmakla birlikte, yöresel peynirler yönünden de hayli çeşitlilik gösterir. Bunlardan bazıları: \n",
"\n",
" Beslenme ve sağlık \n",
"Peynirin besin değeri çok değişkendir. Süzme peynir %4 yağ ve %11 protein içerebilirken bazı peynir altı suyu peynirleri %15 yağ ve %11 protein ve üçlü krem peynirler %36 yağ ve %7 protein içerir. Genellikle peynir, zengin bir kalsiyum, protein, fosfor, sodyum ve doymuş yağ (Günlük Değer'in %20'si veya daha fazlası) kaynağıdır. 28 gramlık (bir ons) porsiyon çedar peyniri yaklaşık protein ve 202 miligram kalsiyum içerir. Besinsel olarak peynir esasında konsantre süttür ancak kültür ve yaşlandırma süreçlerince değiştirilir: bu kadar proteini sağlamak için, suda çözünen vitamin ve minerallerin miktarları değişmesine rağmen, yaklaşık süt ve buna eşit kalsiyum gerekir.\n",
"\n",
"Sağlıklı hayvan sütlerinden sağlıklı şartlarda üretilen peynirin insan beslenmesine protein, kalsiyum, mineraller ve diğer besin elemanlarının temin edilmesinde ve sağlıklı yaşamın sürdürülmesinde önemli katkıları bulunur. Ancak çiğ sütten yapılan peynirlerden Brucella ve Listeria gibi zoonotik enfeksiyonların tüketenlere bulaşması, ayrıca uygun saklama koşullarına uyulmaması dolayısıyla bakteri üremesine bağlı akut barsak enfeksiyonlarının gelişmesi mümkündür. Tuzlu peynir tüketimi hipertansiyon hastalarında risk oluşturabilir.\n",
"\n",
"Küflü peynir tüketimi\n",
"\n",
"Bazı (yumuşak tip) küflü peynir çeşitlerinin listeria riski dolayısıyla hamilelerde tüketiminin uygun olmadığı, pişirilerek yenmesi durumunda bu sakıncanın ortadan kalkmış olacağı NHS tarafından ifade edilmektedir. Konya'da yöresel olarak tüketilen küflü peynir çeşitleri üzerinde akademik yapılan bir çalışma ile bu peynirlerden elde edilen küf cinsleri, bunların primer ve sekonder metabolitleri, ürettikleri mikotoksinler, aspergillus tipi küflerde ise aflatoksinler gibi kanser yapıcı toksinlerin mevcudiyeti ve zararları ele alınmıştır. Küflü peynirler üzerinde yapılan bir başka çalışmada ise özellikle siyah, beyaz ve kırmızı renkte küf içeren peynir çeşitlerinde aflatoksin miktarının yüksekliğine dikkat çekilmiştir. Bazı mikotoksinlerin DNA hasarı (mutajen) ve fetüs üzerinde sakatlık oluşturma (teratojen) kapasitelerinin olduğu bilinmektedir.http://www.academia.edu/3251581/DUNYADA_VE_TURKIYEDE_INSAN_SAGLIGINI_TEHDIT_EDEN_MIKOTOKSINLERhttp://informahealthcare.com/doi/abs/10.3109/15569549909009258\n",
"\n",
" Peynirle ilgili kitaplar \n",
" \"Süt Uyuyunca - Türkiye Peynirleri\", Artun Ünsal, Yapı Kredi Yayınları, İstanbul, 1. Baskı 1997.\n",
" \"Türkiye'nin Peynir Hazineleri* \" (Özgün adı: The Treasury of Turkish Cheeses''), Suzanne Swan, Boyut Yayın Grubu, 2005.\n",
" \"Yurdumuz Peynirlerini Olgunlaştıran Mikroplar ve Anzimleri\", Mehmet Karasoy, Ankara Üniversitesi Veteriner Fakültesi Yay. 1955.\n",
" \"Her Yönüyle Peynir\", Mehmet Demirci, Hasad Yayıncılık.\n",
" \"Türkiye'de Yapılan Muhtelif Tip Peynirler ve Özellikleri\", Dilek Uraz - Abdi Karacabey, Ankara, 1974.\n",
" \"Peynir\", Rauf Cemil Adam, Ege Üniv. Matbaası, 1974.\n",
" \"Peynir Teknolojisi Bibliyografyası\", Tümer Uraz, Ankara Üniv.\n",
" \"Sütçülük, Tereyağcılık ve Peynircilik Sanatları'\" (Eski Türkçe), Onnik İhsan, Matbaa-i Âmire, İstanbul, 1915.\n",
"\n",
"Ayrıca bakınız \n",
" Mandıra ürünü\n",
"\n",
"Notlar \n",
"\n",
" \n",
"Süt ürünleri\n",
"Farsçadan Türkçeye geçen sözcükler\"\"\"\n",
"\n",
"keywords = ['peynir', 'peynirin', 'peynirler', 'olarak', 'ton', 'süt', 'avrupa', 'right', 'align', 'yapılan', 'altı', 'üretimi', 'protein', 'büyük', 'elde', 'amerika', 'almanya', 'sütünden', 'fransa', 'dünya', 'farklı', 'küflü', 'ilk', 'kalsiyum', 'çok', 'türkiye', 'peyniri', 'yağ', 'gelen', '20', 'sütü', 'tüketimi', 'tuzlu', 'milyon', 'liderdir', 'olan', 'diğer', 'com', 'doğu', 'daki', 'beyaz', 'devletleri', '2014', 'üzerinde', 'web', 'mayası', 'eski', 'manasına', 'olduğu', 'sağlıklı', 'ortaya', 'www', 'veya', 'tuzlama', 'sütün', 'üretiminin', 'suyu', 'suyunun', 'orta', 'tarafından', 'ankara', 'üretim', 'birleşik', 'lor', 'inek', 'iç', 'göre', 'edilmektedir', 'http', 'üniv', 'üzerine', 'ürünü', '11', '10', '90', '000', 'du', 'dillerinde', 'çeşitli', 'çeşitleri', 'caseus', 'cheese', 'dolayısıyla', 'asit', 'başına', 'asp', 'asya', 'ayrıca', 'üretilen', 'başladı', 'başka', 'besin', 'kaynağıdır', 'kelimeler', 'kalıp', 'yöresel', 'içeren', 'hint', 'ikinci', 'zamandan', 'hollanda', 'günümüz', 'food', 'fermente', 'gb', 'geliyordu', 'fabrika', 'edilen', 'olması', 'olmasına', 'yaygın', 'yapımı', 'olmadığı', 'mısır', 'mö', 'modern', 'maison', 'mandıra', 'nde', 'lk', 'listeria', 'language', 'lait', 'mehmet', 'kullanılmıştır', 'kişi', 'kültürü', 'küf', 'kültürler', 'kullanılan', 'hayvan', 'ilgili', 'içerir', 'ihracat', 'ihraç', 'roma', 'yaklaşık', 'yalnızca', 'peynirleri', 'peynirlerden', 'yapı', 'uraz', 'uyutmak', 'uygun', 'vardır', 'rağmen', 'stanbul', 'scripts', 'yazılı', 'ref', 'proteini', 'public', 'saf', 'te', 'stat', 'sütten', 'türk', 'udhıttı', 'udhıtmak', 'tütün', 'şeklinde', 'üretiyorlardı', 'üretirken', 'üretir', 'üretimlerinin', 'üretimine', 'üretiminden', 'üretiminde', '1860', '1851', '1815']\n",
"# TF-IDF vektörizer oluştur\n",
"tfidf_vectorizer = TfidfVectorizer()\n",
"\n",
"# Texti ve anahtar kelimeleri TF-IDF vektörlerine dönüştür\n",
"text_tfidf = tfidf_vectorizer.fit_transform([text])\n",
"keywords_tfidf = tfidf_vectorizer.transform(keywords)\n",
"\n",
"# Benzerlik hesapla\n",
"similarities = []\n",
"for i in range(keywords_tfidf.shape[0]):\n",
" keyword_tfidf = keywords_tfidf[i, :]\n",
" similarity = cosine_similarity(text_tfidf, keyword_tfidf)\n",
" similarities.append((keywords[i], similarity[0][0]))\n",
"\n",
"# Sonuçları yazdır\n",
"for keyword, similarity in similarities:\n",
" #print(f\"Keyword: {keyword}, Similarity: {similarity}\")\n",
"\n",
"# En yüksek benzerliğe sahip olan ilk 5 anahtar kelimeyi filtrele\n",
" top_5_keywords = sorted(similarities, key=lambda x: x[1], reverse=True)[:5]\n",
"\n",
"# Sonuçları yazdır\n",
"for keyword, similarity in top_5_keywords:\n",
" print(f\"Keyword: {keyword}, Similarity: {similarity}\")"
]
},
{
"cell_type": "code",
"execution_count": 12,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"['rus', 'ahecaqo', 'türkçe', 'pşıqo', '1777', 'çerkes', '000', 'çerkesya', 'ölenler', 'ünlüydü', 'ölüm', 'yazmadıkları', 'ulaşıyordu', 'tarihlerini', 'çerkeslerin', 'çerkesler', 'çatışmalar', 'zaferlerle', 'öldü', 'soneki', 'soy', 'soyadları', 'soylular', 'sıra', 'savaşı', 'sim', 'saygı', 'ordusu', 'oluşan', 'olduğunu', 'müfrezesi', 'lakaptır', 'savaşına', 'qo', 'oğlu', 'kazandığı', 'kaynakça', 'kaynaklarından', 'kaynak', 'kaydedilmedi', 'katılımı', 'kalıcı', 'kafkas', 'ismidir', 'ismi', 'hastalıktan', 'hakkında', 'geçti', 'lakapları', 'kişiler', 'kişi', 'eş', 'geldiği', 'gelen', 'eğitim', 'dönem', 'erken', 'ekiyle', 'ek', 'devlet', 'büyütüldü', 'bölgesinde', 'bjeduğ', 'biyografi', 'duyulan', 'doğumlular', 'doğdu', 'beyoğlu', 'bilgiler', 'birliklerine', 'belirtir', 'askerî', 'becerisinin', 'atlıya', 'atlıdan', 'anlamlıdır', 'anlamına', 'askeri', 'adlardaki', '1838', 'adamıydı', '1837', '12']\n"
]
}
],
"source": [
"\"\"\"tfidf_keywords_array= np.array([['rus', 'ahecaqo', 'türkçe', 'pşıqo', '1777', 'çerkes', '000',\n",
" 'çerkesya', 'ölenler', 'ünlüydü', 'ölüm', 'yazmadıkları',\n",
" 'ulaşıyordu', 'tarihlerini', 'çerkeslerin', 'çerkesler',\n",
" 'çatışmalar', 'zaferlerle', 'öldü', 'soneki', 'soy', 'soyadları',\n",
" 'soylular', 'sıra', 'savaşı', 'sim', 'saygı', 'ordusu', 'oluşan',\n",
" 'olduğunu', 'müfrezesi', 'lakaptır', 'savaşına', 'qo', 'oğlu',\n",
" 'kazandığı', 'kaynakça', 'kaynaklarından', 'kaynak',\n",
" 'kaydedilmedi', 'katılımı', 'kalıcı', 'kafkas', 'ismidir',\n",
" 'ismi', 'hastalıktan', 'hakkında', 'geçti', 'lakapları',\n",
" 'kişiler', 'kişi', 'eş', 'geldiği', 'gelen', 'eğitim', 'dönem',\n",
" 'erken', 'ekiyle', 'ek', 'devlet', 'büyütüldü', 'bölgesinde',\n",
" 'bjeduğ', 'biyografi', 'duyulan', 'doğumlular', 'doğdu',\n",
" 'beyoğlu', 'bilgiler', 'birliklerine', 'belirtir', 'askerî',\n",
" 'becerisinin', 'atlıya', 'atlıdan', 'anlamlıdır', 'anlamına',\n",
" 'askeri', 'adlardaki', '1838', 'adamıydı', '1837', '12']],\n",
" dtype=object)\n",
"# Anahtar kelimeleri düz bir listeye dönüştür\n",
"tfidf_keywords = tfidf_keywords_array.flatten().tolist()\n",
"print(tfidf_keywords)\"\"\""
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"# Transform the text and keywords into TF-IDF representations\n",
"# Create a TfidfVectorizer instance\n",
"tfidf_vectorizer = TfidfVectorizer()\n",
"text_tfidf = tfidf_vectorizer.fit_transform(corpus) #burada text'i de vetörize ediyoruz.\n",
"keywords_tfidf = tfidf_vectorizer.transform(tfidf_keywords_extract)\n",
"\n",
"\n",
"\n",
"# Calculate the cosine similarity between the text and each keyword\n",
"similarities = []\n",
"for i in range(keywords_tfidf.shape[0]): #keyword_tfidf matrisinin satırları üzerinde dönfü tanımlıyoruz \n",
" keyword_tfidf = keywords_tfidf[i, :] # matrisin i. değerini alıyoruz \n",
" # `text_tfidf` ile `keyword_tfidf` arasındaki kosinüs benzerliğini hesaplıyoruz\n",
" similarity = np.dot(text_tfidf, keyword_tfidf.T).toarray()[0][0]\n",
" similarities.append((keywords[i], similarity))\n",
"\n",
"# Sort the similarities in descending order\n",
"keyword_similarities = sorted(similarities, key=lambda x: x[1], reverse=True)\n",
"\n",
"\n",
"\n",
"# Print the top 10 keywords with their similarities\n",
"print(\"Top 10 Keywords with Similarities:\")\n",
"for tfidf_keywords_extract, similarity in keyword_similarities[:10]:\n",
" print(f\"{tfidf_keywords_extract}: {similarity:.4f}\")"
]
},
{
"cell_type": "code",
"execution_count": 24,
"metadata": {},
"outputs": [
{
"ename": "AttributeError",
"evalue": "'list' object has no attribute 'lower'",
"output_type": "error",
"traceback": [
"\u001b[1;31m---------------------------------------------------------------------------\u001b[0m",
"\u001b[1;31mAttributeError\u001b[0m Traceback (most recent call last)",
"Cell \u001b[1;32mIn[24], line 14\u001b[0m\n\u001b[0;32m 12\u001b[0m tfidf_vectorizer \u001b[38;5;241m=\u001b[39m TfidfVectorizer(stop_words\u001b[38;5;241m=\u001b[39mstop_words_list)\n\u001b[0;32m 13\u001b[0m corpus \u001b[38;5;241m=\u001b[39m [text, keywords]\n\u001b[1;32m---> 14\u001b[0m tfidf_matrix \u001b[38;5;241m=\u001b[39m \u001b[43mtfidf_vectorizer\u001b[49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43mfit_transform\u001b[49m\u001b[43m(\u001b[49m\u001b[43mcorpus\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 16\u001b[0m \u001b[38;5;66;03m# Anahtar kelimeler vektörünü ve diğer metin vektörünü ayırma\u001b[39;00m\n\u001b[0;32m 17\u001b[0m keywords_vector \u001b[38;5;241m=\u001b[39m tfidf_matrix[\u001b[38;5;241m1\u001b[39m]\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\feature_extraction\\text.py:2091\u001b[0m, in \u001b[0;36mTfidfVectorizer.fit_transform\u001b[1;34m(self, raw_documents, y)\u001b[0m\n\u001b[0;32m 2084\u001b[0m \u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39m_check_params()\n\u001b[0;32m 2085\u001b[0m \u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39m_tfidf \u001b[38;5;241m=\u001b[39m TfidfTransformer(\n\u001b[0;32m 2086\u001b[0m norm\u001b[38;5;241m=\u001b[39m\u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39mnorm,\n\u001b[0;32m 2087\u001b[0m use_idf\u001b[38;5;241m=\u001b[39m\u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39muse_idf,\n\u001b[0;32m 2088\u001b[0m smooth_idf\u001b[38;5;241m=\u001b[39m\u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39msmooth_idf,\n\u001b[0;32m 2089\u001b[0m sublinear_tf\u001b[38;5;241m=\u001b[39m\u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39msublinear_tf,\n\u001b[0;32m 2090\u001b[0m )\n\u001b[1;32m-> 2091\u001b[0m X \u001b[38;5;241m=\u001b[39m \u001b[38;5;28;43msuper\u001b[39;49m\u001b[43m(\u001b[49m\u001b[43m)\u001b[49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43mfit_transform\u001b[49m\u001b[43m(\u001b[49m\u001b[43mraw_documents\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 2092\u001b[0m \u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39m_tfidf\u001b[38;5;241m.\u001b[39mfit(X)\n\u001b[0;32m 2093\u001b[0m \u001b[38;5;66;03m# X is already a transformed view of raw_documents so\u001b[39;00m\n\u001b[0;32m 2094\u001b[0m \u001b[38;5;66;03m# we set copy to False\u001b[39;00m\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\base.py:1473\u001b[0m, in \u001b[0;36m_fit_context.<locals>.decorator.<locals>.wrapper\u001b[1;34m(estimator, *args, **kwargs)\u001b[0m\n\u001b[0;32m 1466\u001b[0m estimator\u001b[38;5;241m.\u001b[39m_validate_params()\n\u001b[0;32m 1468\u001b[0m \u001b[38;5;28;01mwith\u001b[39;00m config_context(\n\u001b[0;32m 1469\u001b[0m skip_parameter_validation\u001b[38;5;241m=\u001b[39m(\n\u001b[0;32m 1470\u001b[0m prefer_skip_nested_validation \u001b[38;5;129;01mor\u001b[39;00m global_skip_validation\n\u001b[0;32m 1471\u001b[0m )\n\u001b[0;32m 1472\u001b[0m ):\n\u001b[1;32m-> 1473\u001b[0m \u001b[38;5;28;01mreturn\u001b[39;00m fit_method(estimator, \u001b[38;5;241m*\u001b[39margs, \u001b[38;5;241m*\u001b[39m\u001b[38;5;241m*\u001b[39mkwargs)\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\feature_extraction\\text.py:1372\u001b[0m, in \u001b[0;36mCountVectorizer.fit_transform\u001b[1;34m(self, raw_documents, y)\u001b[0m\n\u001b[0;32m 1364\u001b[0m warnings\u001b[38;5;241m.\u001b[39mwarn(\n\u001b[0;32m 1365\u001b[0m \u001b[38;5;124m\"\u001b[39m\u001b[38;5;124mUpper case characters found in\u001b[39m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 1366\u001b[0m \u001b[38;5;124m\"\u001b[39m\u001b[38;5;124m vocabulary while \u001b[39m\u001b[38;5;124m'\u001b[39m\u001b[38;5;124mlowercase\u001b[39m\u001b[38;5;124m'\u001b[39m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 1367\u001b[0m \u001b[38;5;124m\"\u001b[39m\u001b[38;5;124m is True. These entries will not\u001b[39m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 1368\u001b[0m \u001b[38;5;124m\"\u001b[39m\u001b[38;5;124m be matched with any documents\u001b[39m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 1369\u001b[0m )\n\u001b[0;32m 1370\u001b[0m \u001b[38;5;28;01mbreak\u001b[39;00m\n\u001b[1;32m-> 1372\u001b[0m vocabulary, X \u001b[38;5;241m=\u001b[39m \u001b[38;5;28;43mself\u001b[39;49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43m_count_vocab\u001b[49m\u001b[43m(\u001b[49m\u001b[43mraw_documents\u001b[49m\u001b[43m,\u001b[49m\u001b[43m \u001b[49m\u001b[38;5;28;43mself\u001b[39;49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43mfixed_vocabulary_\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 1374\u001b[0m \u001b[38;5;28;01mif\u001b[39;00m \u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39mbinary:\n\u001b[0;32m 1375\u001b[0m X\u001b[38;5;241m.\u001b[39mdata\u001b[38;5;241m.\u001b[39mfill(\u001b[38;5;241m1\u001b[39m)\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\feature_extraction\\text.py:1259\u001b[0m, in \u001b[0;36mCountVectorizer._count_vocab\u001b[1;34m(self, raw_documents, fixed_vocab)\u001b[0m\n\u001b[0;32m 1257\u001b[0m \u001b[38;5;28;01mfor\u001b[39;00m doc \u001b[38;5;129;01min\u001b[39;00m raw_documents:\n\u001b[0;32m 1258\u001b[0m feature_counter \u001b[38;5;241m=\u001b[39m {}\n\u001b[1;32m-> 1259\u001b[0m \u001b[38;5;28;01mfor\u001b[39;00m feature \u001b[38;5;129;01min\u001b[39;00m \u001b[43manalyze\u001b[49m\u001b[43m(\u001b[49m\u001b[43mdoc\u001b[49m\u001b[43m)\u001b[49m:\n\u001b[0;32m 1260\u001b[0m \u001b[38;5;28;01mtry\u001b[39;00m:\n\u001b[0;32m 1261\u001b[0m feature_idx \u001b[38;5;241m=\u001b[39m vocabulary[feature]\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\feature_extraction\\text.py:108\u001b[0m, in \u001b[0;36m_analyze\u001b[1;34m(doc, analyzer, tokenizer, ngrams, preprocessor, decoder, stop_words)\u001b[0m\n\u001b[0;32m 106\u001b[0m \u001b[38;5;28;01melse\u001b[39;00m:\n\u001b[0;32m 107\u001b[0m \u001b[38;5;28;01mif\u001b[39;00m preprocessor \u001b[38;5;129;01mis\u001b[39;00m \u001b[38;5;129;01mnot\u001b[39;00m \u001b[38;5;28;01mNone\u001b[39;00m:\n\u001b[1;32m--> 108\u001b[0m doc \u001b[38;5;241m=\u001b[39m \u001b[43mpreprocessor\u001b[49m\u001b[43m(\u001b[49m\u001b[43mdoc\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 109\u001b[0m \u001b[38;5;28;01mif\u001b[39;00m tokenizer \u001b[38;5;129;01mis\u001b[39;00m \u001b[38;5;129;01mnot\u001b[39;00m \u001b[38;5;28;01mNone\u001b[39;00m:\n\u001b[0;32m 110\u001b[0m doc \u001b[38;5;241m=\u001b[39m tokenizer(doc)\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\feature_extraction\\text.py:66\u001b[0m, in \u001b[0;36m_preprocess\u001b[1;34m(doc, accent_function, lower)\u001b[0m\n\u001b[0;32m 47\u001b[0m \u001b[38;5;250m\u001b[39m\u001b[38;5;124;03m\"\"\"Chain together an optional series of text preprocessing steps to\u001b[39;00m\n\u001b[0;32m 48\u001b[0m \u001b[38;5;124;03mapply to a document.\u001b[39;00m\n\u001b[0;32m 49\u001b[0m \n\u001b[1;32m (...)\u001b[0m\n\u001b[0;32m 63\u001b[0m \u001b[38;5;124;03m preprocessed string\u001b[39;00m\n\u001b[0;32m 64\u001b[0m \u001b[38;5;124;03m\"\"\"\u001b[39;00m\n\u001b[0;32m 65\u001b[0m \u001b[38;5;28;01mif\u001b[39;00m lower:\n\u001b[1;32m---> 66\u001b[0m doc \u001b[38;5;241m=\u001b[39m \u001b[43mdoc\u001b[49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43mlower\u001b[49m()\n\u001b[0;32m 67\u001b[0m \u001b[38;5;28;01mif\u001b[39;00m accent_function \u001b[38;5;129;01mis\u001b[39;00m \u001b[38;5;129;01mnot\u001b[39;00m \u001b[38;5;28;01mNone\u001b[39;00m:\n\u001b[0;32m 68\u001b[0m doc \u001b[38;5;241m=\u001b[39m accent_function(doc)\n",
"\u001b[1;31mAttributeError\u001b[0m: 'list' object has no attribute 'lower'"
]
}
],
"source": [
"from sklearn.feature_extraction.text import TfidfVectorizer\n",
"from sklearn.metrics.pairwise import cosine_similarity\n",
"import numpy as np\n",
"\n",
"#metin ile keywordslerin benzerlik oranını hesaplama \n",
"text,keywords\n",
"\n",
"# Metinleri birleştirip TF-IDF matrisini oluşturma\n",
"# TF-IDF vektörleştirici oluşturma\n",
"# Türkçe stop words dosyasını yükleyin\n",
"stop_words_list = load_stop_words('turkish_stop_words.txt')\n",
"tfidf_vectorizer = TfidfVectorizer(stop_words=stop_words_list)\n",
"corpus = [text, keywords]\n",
"tfidf_matrix = tfidf_vectorizer.fit_transform(corpus)\n",
"\n",
"# Anahtar kelimeler vektörünü ve diğer metin vektörünü ayırma\n",
"keywords_vector = tfidf_matrix[1]\n",
"text_vector = tfidf_matrix[0]\n",
"\n",
"# Anahtar kelimeler ve metin arasındaki cosine similarity hesaplama\n",
"similarity_score = cosine_similarity(keywords_vector, text_vector)\n",
"\n",
"# Sonucu yazdırma\n",
"print(f\"Keywords ile metin arasındaki benzerlik: {similarity_score[0][0]}\")\n"
]
},
{
"cell_type": "code",
"execution_count": 19,
"metadata": {},
"outputs": [
{
"ename": "TypeError",
"evalue": "'function' object is not subscriptable",
"output_type": "error",
"traceback": [
"\u001b[1;31m---------------------------------------------------------------------------\u001b[0m",
"\u001b[1;31mTypeError\u001b[0m Traceback (most recent call last)",
"Cell \u001b[1;32mIn[19], line 18\u001b[0m\n\u001b[0;32m 15\u001b[0m \u001b[38;5;28;01mreturn\u001b[39;00m embeddings\n\u001b[0;32m 17\u001b[0m \u001b[38;5;66;03m# Compute BERT embeddings for the top 10 keywords\u001b[39;00m\n\u001b[1;32m---> 18\u001b[0m top_keywords \u001b[38;5;241m=\u001b[39m [keyword \u001b[38;5;28;01mfor\u001b[39;00m keyword, _ \u001b[38;5;129;01min\u001b[39;00m \u001b[43mextract_keywords_tfidf\u001b[49m\u001b[43m[\u001b[49m\u001b[43m:\u001b[49m\u001b[38;5;241;43m10\u001b[39;49m\u001b[43m]\u001b[49m]\n\u001b[0;32m 19\u001b[0m bert_embeddings \u001b[38;5;241m=\u001b[39m compute_bert_embeddings(top_keywords)\n\u001b[0;32m 21\u001b[0m \u001b[38;5;66;03m# Define a function to compute the similarity between two embeddings\u001b[39;00m\n",
"\u001b[1;31mTypeError\u001b[0m: 'function' object is not subscriptable"
]
}
],
"source": [
"#------------------------------ tf-ıdf ve embedding benzerlik \n",
"# Define a function to compute BERT embeddings for a list of keywords\n",
"\n",
"def compute_bert_embeddings(keywords):\n",
" embeddings = []\n",
" for keyword in keywords:\n",
" inputs = tokenizer.encode_plus(\n",
" keyword,\n",
" add_special_tokens=True,\n",
" max_length=512,\n",
" return_attention_mask=True,\n",
" return_tensors='pt'\n",
" )\n",
" outputs = model(inputs['input_ids'], attention_mask=inputs['attention_mask'])\n",
" embeddings.append(outputs.last_hidden_state[:, 0, :]) # Take the embedding of the [CLS] token\n",
" return embeddings\n",
"\n",
"# Compute BERT embeddings for the top 10 keywords\n",
"top_keywords = [keyword for keyword, score in extract_keywords_tfidf[:10]]\n",
"bert_embeddings = compute_bert_embeddings(top_keywords)\n",
"\n",
"# Define a function to compute the similarity between two embeddings\n",
"def compute_similarity(embedding1, embedding2):\n",
" return F.cosine_similarity(embedding1, embedding2)\n",
"\n",
"# Compute the similarity between the text and each keyword\n",
"similarities = []\n",
"for keyword_embedding in enumerate(bert_embeddings):\n",
"\n",
" keyword= top_keywords[i]\n",
" score = extract_keywords_tfidf[i][1]\n",
" similarity = compute_similarity(positive_avg_embedding, keyword_embedding)\n",
" similarities.append(keyword,similarity.item()*score)\n",
"\n",
"# Combine the top 10 keywords with their similarities\n",
"keyword_similarities = sorted(similarities, key=lambda x: x[1], reverse=True)\n",
"# Combine the top 10 keywords with their similarities\n",
"#keyword_similarities = list(zip(top_keywords, similarities))"
]
},
{
"cell_type": "code",
"execution_count": 8,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Keywords without stop words:\n",
"[('bir', np.float64(0.5)), ('bu', np.float64(0.5)), ('cümledir', np.float64(0.5)), ('örnek', np.float64(0.5)), ('anahtar', np.float64(0.3779644730092272)), ('kelimeleri', np.float64(0.3779644730092272)), ('kullanarak', np.float64(0.3779644730092272)), ('stop', np.float64(0.3779644730092272)), ('türkçe', np.float64(0.3779644730092272)), ('words', np.float64(0.3779644730092272)), ('çıkarıyoruz', np.float64(0.3779644730092272))]\n",
"\n",
"Keywords with stop words:\n",
"[('cümledir', np.float64(0.7071067811865476)), ('örnek', np.float64(0.7071067811865476)), ('anahtar', np.float64(0.3779644730092272)), ('kelimeleri', np.float64(0.3779644730092272)), ('kullanarak', np.float64(0.3779644730092272)), ('stop', np.float64(0.3779644730092272)), ('türkçe', np.float64(0.3779644730092272)), ('words', np.float64(0.3779644730092272)), ('çıkarıyoruz', np.float64(0.3779644730092272))]\n",
"\n",
"Keywords removed by stop words list:\n",
"{'bu', 'bir'}\n",
"\n",
"New keywords added by stop words list:\n",
"set()\n"
]
}
],
"source": [
"from sklearn.feature_extraction.text import TfidfVectorizer\n",
"\n",
"def test_stop_words_effectiveness(corpus, stop_words_list):\n",
" \"\"\"Stop words listesinin etkisini test eder.\"\"\"\n",
" # İlk olarak, stop words olmadan TF-IDF hesaplayın\n",
" vectorizer_no_stop_words = TfidfVectorizer()\n",
" X_no_stop_words = vectorizer_no_stop_words.fit_transform(corpus)\n",
" feature_names_no_stop_words = vectorizer_no_stop_words.get_feature_names_out()\n",
" scores_no_stop_words = np.asarray(X_no_stop_words.sum(axis=0)).flatten()\n",
" keywords_no_stop_words = {feature_names_no_stop_words[i]: scores_no_stop_words[i] for i in range(len(feature_names_no_stop_words))}\n",
" sorted_keywords_no_stop_words = sorted(keywords_no_stop_words.items(), key=lambda x: x[1], reverse=True)\n",
"\n",
" # Şimdi, stop words ile TF-IDF hesaplayın\n",
" vectorizer_with_stop_words = TfidfVectorizer(stop_words=stop_words_list)\n",
" X_with_stop_words = vectorizer_with_stop_words.fit_transform(corpus)\n",
" feature_names_with_stop_words = vectorizer_with_stop_words.get_feature_names_out()\n",
" scores_with_stop_words = np.asarray(X_with_stop_words.sum(axis=0)).flatten()\n",
" keywords_with_stop_words = {feature_names_with_stop_words[i]: scores_with_stop_words[i] for i in range(len(feature_names_with_stop_words))}\n",
" sorted_keywords_with_stop_words = sorted(keywords_with_stop_words.items(), key=lambda x: x[1], reverse=True)\n",
" \n",
" # Stop words listesi etkisini gözlemleyin\n",
" print(\"Keywords without stop words:\")\n",
" print(sorted_keywords_no_stop_words)\n",
" \n",
" print(\"\\nKeywords with stop words:\")\n",
" print(sorted_keywords_with_stop_words)\n",
" \n",
" # Farklılıkları göster\n",
" all_keywords_no_stop_words = set([kw[0] for kw in sorted_keywords_no_stop_words])\n",
" all_keywords_with_stop_words = set([kw[0] for kw in sorted_keywords_with_stop_words])\n",
" \n",
" print(\"\\nKeywords removed by stop words list:\")\n",
" print(all_keywords_no_stop_words - all_keywords_with_stop_words)\n",
" \n",
" print(\"\\nNew keywords added by stop words list:\")\n",
" print(all_keywords_with_stop_words - all_keywords_no_stop_words)\n",
"\n",
"# Test verisi ve stop words listesi kullanarak test edin\n",
"test_stop_words_effectiveness(texts, stop_words_list)\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"K-nn ile Cosine Similarity "
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"#tf-ıdf değeleri arasınadki en çok metinde tekrarlanan ve anlam ilşikisi en yüksek olan kelimeleri kıyaslama \n",
"model.most_similar(positive=[\"rus\",])"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"from sklearn.metrics.pairwise import cosine_similarity\n",
"\n",
"# TF-IDF ile vektörleri oluştur\n",
"vectorizer = TfidfVectorizer(stop_words=stop_words_list)\n",
"tfidf_matrix = vectorizer.fit_transform(texts)\n",
"\n",
"# BERT ile elde edilen pozitif embedding'leri TF-IDF vektörlerine dönüştür\n",
"# Bu adımda, her kelimenin veya metnin TF-IDF ağırlıklarıyla karşılaştırılması yapılacak\n",
"\n",
"def get_tfidf_vector_for_query(query, vectorizer):\n",
" \"\"\"Sorgu metni için TF-IDF vektörü alır\"\"\"\n",
" return vectorizer.transform([query])\n",
"\n",
"def calculate_similarity(tfidf_vector, embeddings):\n",
" \"\"\"TF-IDF vektörü ile embeddings arasındaki cosine similarity hesaplar\"\"\"\n",
" return cosine_similarity(tfidf_vector, embeddings)\n",
"\n",
"# Sorgu metnini tanımlayın ve TF-IDF vektörünü alın\n",
"query_text = \"Nasılsın?\"\n",
"query_tfidf_vector = get_tfidf_vector_for_query(query_text, vectorizer)\n",
"\n",
"# Cosine similarity hesaplayın\n",
"similarity_scores = calculate_similarity(query_tfidf_vector, tfidf_matrix)\n",
"\n",
"# Sonuçları yazdırın\n",
"print(\"Cosine Similarity Scores:\", similarity_scores)\n"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"from sklearn.neighbors import NearestNeighbors\n",
"\n",
"def fit_knn_model(embeddings,n_neighbors=5):\n",
" knn = NearestNeighbors(n_neighbors=n_neighbors, metric='cosine')\n",
" knn.fit(embeddings)\n",
" return knn\n",
"\n",
"embeddings= np.array([get_bert_embeddings(text) for text in texts])\n",
"#knn\n",
"knn_model=fit_knn_model(embeddings)\n",
"\n",
"\n",
"#tf-ıdf değelriyle bert üzerinden elde ettiğimiz verlerin benzerliğini hesaplayacağız \n",
"keywords"
]
},
{
"cell_type": "code",
"execution_count": 20,
"metadata": {},
"outputs": [
{
"name": "stderr",
"output_type": "stream",
"text": [
"[nltk_data] Downloading package wordnet to\n",
"[nltk_data] C:\\Users\\info\\AppData\\Roaming\\nltk_data...\n",
"[nltk_data] Package wordnet is already up-to-date!\n",
"[nltk_data] Downloading package omw-1.4 to\n",
"[nltk_data] C:\\Users\\info\\AppData\\Roaming\\nltk_data...\n",
"[nltk_data] Package omw-1.4 is already up-to-date!\n",
"[nltk_data] Downloading package stopwords to\n",
"[nltk_data] C:\\Users\\info\\AppData\\Roaming\\nltk_data...\n",
"[nltk_data] Package stopwords is already up-to-date!\n"
]
},
{
"ename": "ValueError",
"evalue": "empty vocabulary; perhaps the documents only contain stop words",
"output_type": "error",
"traceback": [
"\u001b[1;31m---------------------------------------------------------------------------\u001b[0m",
"\u001b[1;31mValueError\u001b[0m Traceback (most recent call last)",
"Cell \u001b[1;32mIn[20], line 100\u001b[0m\n\u001b[0;32m 97\u001b[0m documents, document_count \u001b[38;5;241m=\u001b[39m Database\u001b[38;5;241m.\u001b[39mget_input_documents()\n\u001b[0;32m 99\u001b[0m \u001b[38;5;66;03m# Calculate TF-IDF and get feature names\u001b[39;00m\n\u001b[1;32m--> 100\u001b[0m tfidf_matrix, feature_names \u001b[38;5;241m=\u001b[39m \u001b[43mDatabase\u001b[49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43mcalculate_tfidf\u001b[49m\u001b[43m(\u001b[49m\u001b[43mdocuments\u001b[49m\u001b[43m,\u001b[49m\u001b[43m \u001b[49m\u001b[43mturkish_stop_words\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 102\u001b[0m \u001b[38;5;66;03m# Extract keywords\u001b[39;00m\n\u001b[0;32m 103\u001b[0m keywords \u001b[38;5;241m=\u001b[39m Database\u001b[38;5;241m.\u001b[39mextract_keywords(tfidf_matrix, feature_names, stop_words\u001b[38;5;241m=\u001b[39mturkish_stop_words)\n",
"Cell \u001b[1;32mIn[20], line 43\u001b[0m, in \u001b[0;36mDatabase.calculate_tfidf\u001b[1;34m(documents, stop_words)\u001b[0m\n\u001b[0;32m 40\u001b[0m \u001b[38;5;129m@staticmethod\u001b[39m\n\u001b[0;32m 41\u001b[0m \u001b[38;5;28;01mdef\u001b[39;00m \u001b[38;5;21mcalculate_tfidf\u001b[39m(documents, stop_words):\n\u001b[0;32m 42\u001b[0m vectorizer \u001b[38;5;241m=\u001b[39m TfidfVectorizer(stop_words\u001b[38;5;241m=\u001b[39mstop_words, max_features\u001b[38;5;241m=\u001b[39m\u001b[38;5;241m10000\u001b[39m,min_df\u001b[38;5;241m=\u001b[39m\u001b[38;5;241m2\u001b[39m)\n\u001b[1;32m---> 43\u001b[0m tfidf_matrix \u001b[38;5;241m=\u001b[39m \u001b[43mvectorizer\u001b[49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43mfit_transform\u001b[49m\u001b[43m(\u001b[49m\u001b[43mdocuments\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 44\u001b[0m feature_names \u001b[38;5;241m=\u001b[39m vectorizer\u001b[38;5;241m.\u001b[39mget_feature_names_out()\n\u001b[0;32m 45\u001b[0m \u001b[38;5;28;01mreturn\u001b[39;00m tfidf_matrix, feature_names\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\feature_extraction\\text.py:2091\u001b[0m, in \u001b[0;36mTfidfVectorizer.fit_transform\u001b[1;34m(self, raw_documents, y)\u001b[0m\n\u001b[0;32m 2084\u001b[0m \u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39m_check_params()\n\u001b[0;32m 2085\u001b[0m \u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39m_tfidf \u001b[38;5;241m=\u001b[39m TfidfTransformer(\n\u001b[0;32m 2086\u001b[0m norm\u001b[38;5;241m=\u001b[39m\u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39mnorm,\n\u001b[0;32m 2087\u001b[0m use_idf\u001b[38;5;241m=\u001b[39m\u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39muse_idf,\n\u001b[0;32m 2088\u001b[0m smooth_idf\u001b[38;5;241m=\u001b[39m\u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39msmooth_idf,\n\u001b[0;32m 2089\u001b[0m sublinear_tf\u001b[38;5;241m=\u001b[39m\u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39msublinear_tf,\n\u001b[0;32m 2090\u001b[0m )\n\u001b[1;32m-> 2091\u001b[0m X \u001b[38;5;241m=\u001b[39m \u001b[38;5;28;43msuper\u001b[39;49m\u001b[43m(\u001b[49m\u001b[43m)\u001b[49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43mfit_transform\u001b[49m\u001b[43m(\u001b[49m\u001b[43mraw_documents\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 2092\u001b[0m \u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39m_tfidf\u001b[38;5;241m.\u001b[39mfit(X)\n\u001b[0;32m 2093\u001b[0m \u001b[38;5;66;03m# X is already a transformed view of raw_documents so\u001b[39;00m\n\u001b[0;32m 2094\u001b[0m \u001b[38;5;66;03m# we set copy to False\u001b[39;00m\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\base.py:1473\u001b[0m, in \u001b[0;36m_fit_context.<locals>.decorator.<locals>.wrapper\u001b[1;34m(estimator, *args, **kwargs)\u001b[0m\n\u001b[0;32m 1466\u001b[0m estimator\u001b[38;5;241m.\u001b[39m_validate_params()\n\u001b[0;32m 1468\u001b[0m \u001b[38;5;28;01mwith\u001b[39;00m config_context(\n\u001b[0;32m 1469\u001b[0m skip_parameter_validation\u001b[38;5;241m=\u001b[39m(\n\u001b[0;32m 1470\u001b[0m prefer_skip_nested_validation \u001b[38;5;129;01mor\u001b[39;00m global_skip_validation\n\u001b[0;32m 1471\u001b[0m )\n\u001b[0;32m 1472\u001b[0m ):\n\u001b[1;32m-> 1473\u001b[0m \u001b[38;5;28;01mreturn\u001b[39;00m fit_method(estimator, \u001b[38;5;241m*\u001b[39margs, \u001b[38;5;241m*\u001b[39m\u001b[38;5;241m*\u001b[39mkwargs)\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\feature_extraction\\text.py:1372\u001b[0m, in \u001b[0;36mCountVectorizer.fit_transform\u001b[1;34m(self, raw_documents, y)\u001b[0m\n\u001b[0;32m 1364\u001b[0m warnings\u001b[38;5;241m.\u001b[39mwarn(\n\u001b[0;32m 1365\u001b[0m \u001b[38;5;124m\"\u001b[39m\u001b[38;5;124mUpper case characters found in\u001b[39m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 1366\u001b[0m \u001b[38;5;124m\"\u001b[39m\u001b[38;5;124m vocabulary while \u001b[39m\u001b[38;5;124m'\u001b[39m\u001b[38;5;124mlowercase\u001b[39m\u001b[38;5;124m'\u001b[39m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 1367\u001b[0m \u001b[38;5;124m\"\u001b[39m\u001b[38;5;124m is True. These entries will not\u001b[39m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 1368\u001b[0m \u001b[38;5;124m\"\u001b[39m\u001b[38;5;124m be matched with any documents\u001b[39m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 1369\u001b[0m )\n\u001b[0;32m 1370\u001b[0m \u001b[38;5;28;01mbreak\u001b[39;00m\n\u001b[1;32m-> 1372\u001b[0m vocabulary, X \u001b[38;5;241m=\u001b[39m \u001b[38;5;28;43mself\u001b[39;49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43m_count_vocab\u001b[49m\u001b[43m(\u001b[49m\u001b[43mraw_documents\u001b[49m\u001b[43m,\u001b[49m\u001b[43m \u001b[49m\u001b[38;5;28;43mself\u001b[39;49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43mfixed_vocabulary_\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 1374\u001b[0m \u001b[38;5;28;01mif\u001b[39;00m \u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39mbinary:\n\u001b[0;32m 1375\u001b[0m X\u001b[38;5;241m.\u001b[39mdata\u001b[38;5;241m.\u001b[39mfill(\u001b[38;5;241m1\u001b[39m)\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\feature_extraction\\text.py:1278\u001b[0m, in \u001b[0;36mCountVectorizer._count_vocab\u001b[1;34m(self, raw_documents, fixed_vocab)\u001b[0m\n\u001b[0;32m 1276\u001b[0m vocabulary \u001b[38;5;241m=\u001b[39m \u001b[38;5;28mdict\u001b[39m(vocabulary)\n\u001b[0;32m 1277\u001b[0m \u001b[38;5;28;01mif\u001b[39;00m \u001b[38;5;129;01mnot\u001b[39;00m vocabulary:\n\u001b[1;32m-> 1278\u001b[0m \u001b[38;5;28;01mraise\u001b[39;00m \u001b[38;5;167;01mValueError\u001b[39;00m(\n\u001b[0;32m 1279\u001b[0m \u001b[38;5;124m\"\u001b[39m\u001b[38;5;124mempty vocabulary; perhaps the documents only contain stop words\u001b[39m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 1280\u001b[0m )\n\u001b[0;32m 1282\u001b[0m \u001b[38;5;28;01mif\u001b[39;00m indptr[\u001b[38;5;241m-\u001b[39m\u001b[38;5;241m1\u001b[39m] \u001b[38;5;241m>\u001b[39m np\u001b[38;5;241m.\u001b[39miinfo(np\u001b[38;5;241m.\u001b[39mint32)\u001b[38;5;241m.\u001b[39mmax: \u001b[38;5;66;03m# = 2**31 - 1\u001b[39;00m\n\u001b[0;32m 1283\u001b[0m \u001b[38;5;28;01mif\u001b[39;00m _IS_32BIT:\n",
"\u001b[1;31mValueError\u001b[0m: empty vocabulary; perhaps the documents only contain stop words"
]
}
],
"source": [
"#---------------------------güncel en yeni \n",
"from pymongo import MongoClient\n",
"from sklearn.feature_extraction.text import TfidfVectorizer\n",
"from textblob import TextBlob as tb\n",
"import numpy as np\n",
"import math\n",
"from tqdm.auto import tqdm, trange\n",
"import tensorflow as tf\n",
"import nltk\n",
"import re \n",
"from nltk.stem import WordNetLemmatizer\n",
"from nltk.corpus import stopwords\n",
"\n",
"turkish_stop_words = stopwords.words('turkish')\n",
"\n",
"nltk.download('wordnet')\n",
"nltk.download('omw-1.4')\n",
"nltk.download('stopwords')\n",
"\n",
"\n",
"import matplotlib.pyplot as plt \n",
"\n",
"class Database:\n",
" @staticmethod\n",
" def get_mongodb():\n",
" return 'mongodb://localhost:27017/', 'combined', 'combined_output'\n",
"\n",
" # Get input documents from MongoDB\n",
" @staticmethod\n",
" def get_input_documents(limit=1000):\n",
" mongo_url, db_name, collection_name = Database.get_mongodb()\n",
" client = MongoClient(mongo_url)\n",
" db = client[db_name]\n",
" collection = db[collection_name]\n",
" cursor = collection.find().limit(limit)\n",
" combined_text = [doc['text'] for doc in cursor]\n",
" document_count = len(combined_text)\n",
" return combined_text, document_count\n",
" \n",
"\n",
" \n",
" nltk.download('turkish_stop_words')\n",
" data_without_stopwords = []\n",
" for i in range(0, len(response)):\n",
" doc = re.sub('[^a-zA-Z]', ' ', response[i])\n",
" doc = doc.lower()\n",
" doc = doc.split()\n",
" doc = [lemmatizer.lemmatize(word) for word in doc if not word in set(stopwords)]\n",
" doc = ' '.join(doc)\n",
" data_without_stopwords.append(doc)\n",
"\n",
" #print ilk satır orjinal datasetteki\n",
" print(data.response[0])\n",
"\n",
" # Calculate TF-IDF and get feature names\n",
" @staticmethod\n",
" def calculate_tfidf(documents, stop_words):\n",
" vectorizer = TfidfVectorizer(stop_words=stop_words, max_features=10000,min_df=2)\n",
" vectors = vectorizer.fit_transform(data_without_stopwords)\n",
" tfidf_matrix = vectorizer.fit_transform(documents)\n",
" feature_names = vectorizer.get_feature_names_out()\n",
" return tfidf_matrix, feature_names\n",
"\n",
" # Extract keywords using TF-IDF\n",
" def extract_keywords(tfidf_matrix, feature_names, top_n=10):\n",
" keywords = {}\n",
" for doc_idx, row in enumerate(tfidf_matrix):\n",
" filtered_feature_names = [name for name in feature_names if name.lower() not in stop_words]\n",
" scores = np.asarray(row.T.todense()).flatten()\n",
" sorted_indices = np.argsort(scores)[::-1]\n",
" top_features = sorted_indices[:top_n]\n",
" doc_keywords = [(filtered_feature_names[idx], scores[idx]) for idx in top_features]\n",
" keywords[f'document_{doc_idx+1}'] = doc_keywords\n",
" return keywords\n",
" \n",
" #zip keywords and combined text \n",
" \n",
" # Identify low TF-IDF words\n",
" @staticmethod\n",
" def identify_low_tfidf_words(tfidf_matrix, feature_names, threshold=0.001):\n",
" avg_scores = np.mean(tfidf_matrix, axis=0).A1\n",
" low_tfidf_words = [feature_names[i] for i, score in enumerate(avg_scores) if score < threshold]\n",
" return low_tfidf_words\n",
" \n",
" # Update stop words with low TF-IDF words\n",
" @staticmethod\n",
" def update_stop_words(existing_stop_words, low_tfidf_words):\n",
" updated_stop_words = set(existing_stop_words) | set(low_tfidf_words)\n",
" return list(updated_stop_words)\n",
"\n",
"\n",
"#tf-ıdf ile döküman içerisinden kelime seçme \n",
"#Term Frequency (TF): Bir kelimenin belli bir dökümanda tekrar etme değeri\n",
"#Inverse Document Frequency (IDF):bir kelimenin tüm dökümanlar arasındaki yaygınlığı Nadir bulunan kelimeler, daha yüksek IDF değerine sahip olur.\n",
"#tf-ıdf skoru ise bu ikisinin çarpımıdır.\n",
"\n",
" #buraya eşik değer belirlenmeli\n",
"\n",
"\n",
"turkish_stop_words = [\n",
" 'ah', 'ama', 'an', 'ancak', 'araba', 'aralar', 'aslında', \n",
" 'b', 'başlayan', 'bağlı', 'bazı', 'belirli', 'ben', 'bence', \n",
" 'birkaç', 'birlikte', 'bunu', 'burada', 'biten', 'biz', \n",
" 'bu', 'buna', 'çünkü', 'da', 'de', 'demek', 'den', 'derken', \n",
" 'değil', 'daha', 'dolayı', 'edilir', 'eğer', 'en', 'fakat', \n",
" 'genellikle', 'gibi', 'hem', 'her', 'herhangi', 'hiç', 'ise', \n",
" 'işte', 'itibaren', 'iyi', 'kadar', 'karşı', 'ki', 'kime', \n",
" 'kısaca', 'mu', 'mü', 'nasıl', 'ne', 'neden', 'niye', 'o', \n",
" 'olasılıkla', 'olabilir', 'oluşur', 'önce', 'şu', 'sadece', \n",
" 'se', 'şey', 'şimdi', 'tabi', 'tüm', 've', 'ya', 'ya da', \n",
" 'yanı', 'yani', 'yılında', 'yetenekli', 'yine'\n",
"]\n",
"# Get input documents\n",
"documents, document_count = Database.get_input_documents()\n",
"\n",
"# Calculate TF-IDF and get feature names\n",
"tfidf_matrix, feature_names = Database.calculate_tfidf(documents, turkish_stop_words)\n",
"\n",
"# Extract keywords\n",
"keywords = Database.extract_keywords(tfidf_matrix, feature_names, stop_words=turkish_stop_words)\n",
"print(keywords)\n",
"\n",
"# Identify low TF-IDF words\n",
"low_tfidf_words = Database.identify_low_tfidf_words(tfidf_matrix, feature_names)\n",
"print(low_tfidf_words)\n",
"\n",
"# Update stop words\n",
"updated_stop_words = Database.update_stop_words(turkish_stop_words, low_tfidf_words)\n",
"print(updated_stop_words) "
]
},
{
"cell_type": "code",
"execution_count": 15,
"metadata": {},
"outputs": [
{
"ename": "TypeError",
"evalue": "unhashable type: 'set'",
"output_type": "error",
"traceback": [
"\u001b[1;31m---------------------------------------------------------------------------\u001b[0m",
"\u001b[1;31mTypeError\u001b[0m Traceback (most recent call last)",
"Cell \u001b[1;32mIn[15], line 162\u001b[0m\n\u001b[0;32m 159\u001b[0m \u001b[38;5;28;01mreturn\u001b[39;00m tfidf_matrix, feature_names,keywords\n\u001b[0;32m 161\u001b[0m \u001b[38;5;28;01mif\u001b[39;00m \u001b[38;5;18m__name__\u001b[39m\u001b[38;5;241m==\u001b[39m\u001b[38;5;124m\"\u001b[39m\u001b[38;5;124m__main__\u001b[39m\u001b[38;5;124m\"\u001b[39m:\n\u001b[1;32m--> 162\u001b[0m tfidf_matrix, feature_names,keywords\u001b[38;5;241m=\u001b[39m \u001b[43mmain\u001b[49m\u001b[43m(\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 164\u001b[0m \u001b[38;5;28mprint\u001b[39m(\u001b[38;5;124m\"\u001b[39m\u001b[38;5;124mAnahtar Kelimler:\u001b[39m\u001b[38;5;124m\"\u001b[39m)\n\u001b[0;32m 165\u001b[0m \u001b[38;5;28;01mfor\u001b[39;00m doc, words \u001b[38;5;129;01min\u001b[39;00m keywords\u001b[38;5;241m.\u001b[39mitems():\n",
"Cell \u001b[1;32mIn[15], line 148\u001b[0m, in \u001b[0;36mmain\u001b[1;34m()\u001b[0m\n\u001b[0;32m 146\u001b[0m initial_stop_words \u001b[38;5;241m=\u001b[39m turkish_stop_words\n\u001b[0;32m 147\u001b[0m \u001b[38;5;66;03m# Stop-words listesini iteratif olarak güncelleyin\u001b[39;00m\n\u001b[1;32m--> 148\u001b[0m final_stop_words \u001b[38;5;241m=\u001b[39m \u001b[43miterative_update\u001b[49m\u001b[43m(\u001b[49m\u001b[43mdocuments_list\u001b[49m\u001b[43m,\u001b[49m\u001b[43m \u001b[49m\u001b[43minitial_stop_words\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 149\u001b[0m \u001b[38;5;66;03m#tf-ıdf hesaplama\u001b[39;00m\n\u001b[0;32m 150\u001b[0m tfidf_matrix, feature_names\u001b[38;5;241m=\u001b[39mcalculate_tfidf(documents_list,final_stop_words)\n",
"Cell \u001b[1;32mIn[15], line 127\u001b[0m, in \u001b[0;36miterative_update\u001b[1;34m(documents, initial_stop_words, iterations)\u001b[0m\n\u001b[0;32m 126\u001b[0m \u001b[38;5;28;01mdef\u001b[39;00m \u001b[38;5;21miterative_update\u001b[39m(documents, initial_stop_words, iterations\u001b[38;5;241m=\u001b[39m\u001b[38;5;241m5\u001b[39m):\n\u001b[1;32m--> 127\u001b[0m stop_words \u001b[38;5;241m=\u001b[39m \u001b[38;5;28;43mset\u001b[39;49m\u001b[43m(\u001b[49m\u001b[43minitial_stop_words\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 128\u001b[0m \u001b[38;5;28;01mfor\u001b[39;00m _ \u001b[38;5;129;01min\u001b[39;00m \u001b[38;5;28mrange\u001b[39m(iterations):\n\u001b[0;32m 129\u001b[0m tfidf_matrix, feature_names \u001b[38;5;241m=\u001b[39m calculate_tfidf(documents, stop_words)\n",
"\u001b[1;31mTypeError\u001b[0m: unhashable type: 'set'"
]
}
],
"source": [
"\n",
"\n",
"\"\"\"class Tf:\n",
" @staticmethod\n",
" def tf(word, blob):\n",
" return blob.words.count(word) / len(blob.words)\n",
"\n",
" @staticmethod\n",
" def n_containing(word, bloblist):\n",
" return sum(1 for blob in bloblist if word in blob.words)\n",
"\n",
" @staticmethod\n",
" def idf(word, bloblist):\n",
" return math.log(len(bloblist) / (1 + Tf.n_containing(word, bloblist)))\n",
"\n",
" @staticmethod\n",
" def tfidf(word, blob, bloblist):\n",
" return Tf.tf(word, blob) * Tf.idf(word, bloblist)\n",
"\n",
" @staticmethod\n",
" def get_input_documents(limit=1000):\n",
" return Database.get_input_documents(limit)\"\"\"\n",
"\n",
"\n",
"\n",
"\n",
"\n",
" \"\"\"\n",
" Her döküman için anahtar kelimeleri seç.\n",
" :param tfidf_matrix: TF-IDF matris\n",
" :param feature_names: TF-IDF özellik isimleri\n",
" :param top_n: Her döküman için seçilecek anahtar kelime sayısı\n",
" :return: Anahtar kelimeler ve skorlari\n",
" \"\"\"\n",
" \n",
"\n",
"#--------------------------------------------------------------- burada aldığımız dökümanları listeliyoruz\n",
"# Dokümanları işleyerek TF-IDF hesaplama\n",
"#bloblist dökümanların bir listesi\n",
"\"\"\"bloblist = []\n",
"for i, blob in enumerate(bloblist):\n",
" print(\"Top words in document {}\".format(i + 1))\n",
" scores = {word: Tf.tfidf(word, blob, bloblist) for word in blob.words} #dökümanların içerisinde bulunan kelimeleri alır.\n",
" sorted_words = sorted(scores.items(), key=lambda x: x[1], reverse=True)\n",
" for word, score in sorted_words[:3]:\n",
" print(\"\\tWord: {}, TF-IDF: {}\".format(word, round(score, 5)))\"\"\"\n",
"\n",
"\n",
"# Dökümanları isimlendir\n",
"#named_documents = {f'döküman {i+1}': doc for i, doc in enumerate(combined_text)}\n",
"\n",
"#features olarak top_keywordsleri belirleyerek metnin bu kelimelerin etrafında olması sağlanmalı \n",
"def calculate_tfidf(documents, stop_words):\n",
" vectorizer = TfidfVectorizer(stop_words=stop_words, max_features=10000)\n",
" tfidf_matrix = vectorizer.fit_transform(documents)\n",
" feature_names = vectorizer.get_feature_names_out()\n",
" return tfidf_matrix, feature_names\n",
"\n",
"#---------------------------------------------------------------------------------\n",
"#kelimelerin ortalama skorlarını hesaplama \n",
"def identify_low_tfidf_words(tfidf_matrix, feature_names, threshold=0.001):\n",
" # TF-IDF skorlarını toplayarak her kelimenin ortalama skorunu hesaplayın\n",
" avg_scores = np.mean(tfidf_matrix, axis=0).A1\n",
" low_tfidf_words = [feature_names[i] for i, score in enumerate(avg_scores) if score < threshold]\n",
" return low_tfidf_words\n",
"\n",
"#kelimelerin yeni geliştirilen eşik değere göre güncellenmesi \n",
"def update_stop_words(existing_stop_words, low_tfidf_words):\n",
" updated_stop_words = set(existing_stop_words) | set(low_tfidf_words)\n",
" return list(updated_stop_words)\n",
"\n",
"\n",
"#bu kısım detaylandırılmalı \n",
"def iterative_update(documents, initial_stop_words, iterations=5):\n",
" stop_words = set(initial_stop_words)\n",
" for _ in range(iterations):\n",
" tfidf_matrix, feature_names = calculate_tfidf(documents, stop_words)\n",
" low_tfidf_words = identify_low_tfidf_words(tfidf_matrix, feature_names)\n",
" stop_words = update_stop_words(stop_words, low_tfidf_words)\n",
" return list(stop_words)\n",
"\n",
"\n",
"\n",
"def main ():\n",
"\n",
" \n",
"#anlam ilişkisini de kontrol edecek bir yapı oluşpturulacak title ile benzerlik kontrol ederek yüksek benzerlik içeren kelimler sıralnacak .\n",
"\n",
"# Dökümanları liste olarak al\n",
" named_documents, _ = Tf.get_input_documents(limit=1000)\n",
" documents_list = [doc.get('text', '') if isinstance(doc, dict) else doc for doc in list(named_documents.values())]\n",
"\n",
" #başlangıç stop değerleriyle yeni olanları arasında değişim yapma \n",
" initial_stop_words = turkish_stop_words\n",
" # Stop-words listesini iteratif olarak güncelleyin\n",
" final_stop_words = iterative_update(documents_list, initial_stop_words)\n",
" #tf-ıdf hesaplama\n",
" tfidf_matrix, feature_names=calculate_tfidf(documents_list,final_stop_words)\n",
" keywords=extract_keywords(tfidf_matrix,feature_names,top_n=10)\n",
"\n",
" \n",
"\n",
" print(\"Güncellenmiş Stop-Words Listesi:\", final_stop_words)\n",
" print(\"TF-IDF Matrix Shape:\", tfidf_matrix.shape)\n",
" print(\"Feature Names Sample:\", feature_names[:10]) # İlk 10 feature adını gösterir\n",
"\n",
" return tfidf_matrix, feature_names,keywords\n",
"\n",
"if __name__==\"__main__\":\n",
" tfidf_matrix, feature_names,keywords= main()\n",
"\n",
" print(\"Anahtar Kelimler:\")\n",
" for doc, words in keywords.items():\n",
" print(f\"{doc}: {words}\")\n",
" \n",
"\n",
"#---------------------------------------------------------\n",
" \"\"\"blobs = [tb(doc) for doc in documents_list] # veya 'title' kullanarak başlıkları işleyebilirsiniz\n",
" all_words = set(word for blob in blobs for word in blob.words)\n",
"\n",
" tfidf_scores = {}\n",
" for word in all_words:\n",
" tfidf_scores[word] = [Tf.tfidf(word, blob, blobs) for blob in blobs]\n",
"\n",
" print(\"TF-IDF Skorları:\")\n",
" for word, scores in tfidf_scores.items():\n",
" print(f\"Kelime: {word}, Skorlar: {scores}\")\"\"\"\n"
]
},
{
"cell_type": "code",
"execution_count": 2,
"metadata": {},
"outputs": [
{
"ename": "InvalidParameterError",
"evalue": "The 'stop_words' parameter of TfidfVectorizer must be a str among {'english'}, an instance of 'list' or None. Got {'o', 'den', 'an', 'şey', 'burada', 've', 'ah', 'ise', 'hiç', 'yine', 'biz', 'bu', 'da', 'genellikle', 'yılında', 'belirli', 'se', 'ne', 'kadar', 'neden', 'hem', 'aralar', 'yani', 'daha', 'araba', 'derken', 'dolayı', 'kısaca', 'karşı', 'niye', 'ki', 'bunu', 'buna', 'de', 'herhangi', 'önce', 'tabi', 'kime', 'biten', 'ben', 'ya', 'ya da', 'çünkü', 'mu', 'b', 'demek', 'fakat', 'şimdi', 'birlikte', 'her', 'bağlı', 'nasıl', 'şu', 'sadece', 'tüm', 'aslında', 'edilir', 'ama', 'bence', 'en', 'işte', 'gibi', 'ancak', 'birkaç', 'itibaren', 'mü', 'olabilir', 'bazı', 'oluşur', 'başlayan', 'yanı', 'olasılıkla', 'iyi', 'değil', 'eğer', 'yetenekli'} instead.",
"output_type": "error",
"traceback": [
"\u001b[1;31m---------------------------------------------------------------------------\u001b[0m",
"\u001b[1;31mInvalidParameterError\u001b[0m Traceback (most recent call last)",
"Cell \u001b[1;32mIn[2], line 155\u001b[0m\n\u001b[0;32m 152\u001b[0m \u001b[38;5;28;01mreturn\u001b[39;00m tfidf_matrix, feature_names,documents_list \n\u001b[0;32m 154\u001b[0m \u001b[38;5;28;01mif\u001b[39;00m \u001b[38;5;18m__name__\u001b[39m\u001b[38;5;241m==\u001b[39m\u001b[38;5;124m\"\u001b[39m\u001b[38;5;124m__main__\u001b[39m\u001b[38;5;124m\"\u001b[39m:\n\u001b[1;32m--> 155\u001b[0m tfidf_matrix, feature_names,documents_list\u001b[38;5;241m=\u001b[39m \u001b[43mmain\u001b[49m\u001b[43m(\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 158\u001b[0m \u001b[38;5;66;03m# Sonuçları yazdır\u001b[39;00m\n\u001b[0;32m 159\u001b[0m \u001b[38;5;28mprint\u001b[39m(\u001b[38;5;124m\"\u001b[39m\u001b[38;5;124mİsimlendirilmiş Dökümanlar:\u001b[39m\u001b[38;5;124m\"\u001b[39m)\n",
"Cell \u001b[1;32mIn[2], line 142\u001b[0m, in \u001b[0;36mmain\u001b[1;34m()\u001b[0m\n\u001b[0;32m 140\u001b[0m initial_stop_words \u001b[38;5;241m=\u001b[39m turkish_stop_words\n\u001b[0;32m 141\u001b[0m \u001b[38;5;66;03m# Stop-words listesini iteratif olarak güncelleyin\u001b[39;00m\n\u001b[1;32m--> 142\u001b[0m final_stop_words \u001b[38;5;241m=\u001b[39m \u001b[43miterative_update\u001b[49m\u001b[43m(\u001b[49m\u001b[43mdocuments_list\u001b[49m\u001b[43m,\u001b[49m\u001b[43m \u001b[49m\u001b[43minitial_stop_words\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 143\u001b[0m \u001b[38;5;66;03m#tf-ıdf hesaplama\u001b[39;00m\n\u001b[0;32m 144\u001b[0m tfidf_matrix, feature_names\u001b[38;5;241m=\u001b[39mcalculate_tfidf(documents_list,final_stop_words)\n",
"Cell \u001b[1;32mIn[2], line 124\u001b[0m, in \u001b[0;36miterative_update\u001b[1;34m(documents, initial_stop_words, iterations)\u001b[0m\n\u001b[0;32m 122\u001b[0m stop_words \u001b[38;5;241m=\u001b[39m \u001b[38;5;28mset\u001b[39m(initial_stop_words)\n\u001b[0;32m 123\u001b[0m \u001b[38;5;28;01mfor\u001b[39;00m _ \u001b[38;5;129;01min\u001b[39;00m \u001b[38;5;28mrange\u001b[39m(iterations):\n\u001b[1;32m--> 124\u001b[0m tfidf_matrix, feature_names \u001b[38;5;241m=\u001b[39m \u001b[43mcalculate_tfidf\u001b[49m\u001b[43m(\u001b[49m\u001b[43mdocuments\u001b[49m\u001b[43m,\u001b[49m\u001b[43m \u001b[49m\u001b[43mstop_words\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 125\u001b[0m low_tfidf_words \u001b[38;5;241m=\u001b[39m identify_low_tfidf_words(tfidf_matrix, feature_names)\n\u001b[0;32m 126\u001b[0m stop_words \u001b[38;5;241m=\u001b[39m update_stop_words(stop_words, low_tfidf_words)\n",
"Cell \u001b[1;32mIn[2], line 103\u001b[0m, in \u001b[0;36mcalculate_tfidf\u001b[1;34m(documents, stop_words)\u001b[0m\n\u001b[0;32m 101\u001b[0m \u001b[38;5;28;01mdef\u001b[39;00m \u001b[38;5;21mcalculate_tfidf\u001b[39m(documents, stop_words):\n\u001b[0;32m 102\u001b[0m vectorizer \u001b[38;5;241m=\u001b[39m TfidfVectorizer(stop_words\u001b[38;5;241m=\u001b[39mstop_words, max_features\u001b[38;5;241m=\u001b[39m\u001b[38;5;241m10000\u001b[39m)\n\u001b[1;32m--> 103\u001b[0m tfidf_matrix \u001b[38;5;241m=\u001b[39m \u001b[43mvectorizer\u001b[49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43mfit_transform\u001b[49m\u001b[43m(\u001b[49m\u001b[43mdocuments\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 104\u001b[0m feature_names \u001b[38;5;241m=\u001b[39m vectorizer\u001b[38;5;241m.\u001b[39mget_feature_names_out()\n\u001b[0;32m 105\u001b[0m \u001b[38;5;28;01mreturn\u001b[39;00m tfidf_matrix, feature_names\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\feature_extraction\\text.py:2091\u001b[0m, in \u001b[0;36mTfidfVectorizer.fit_transform\u001b[1;34m(self, raw_documents, y)\u001b[0m\n\u001b[0;32m 2084\u001b[0m \u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39m_check_params()\n\u001b[0;32m 2085\u001b[0m \u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39m_tfidf \u001b[38;5;241m=\u001b[39m TfidfTransformer(\n\u001b[0;32m 2086\u001b[0m norm\u001b[38;5;241m=\u001b[39m\u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39mnorm,\n\u001b[0;32m 2087\u001b[0m use_idf\u001b[38;5;241m=\u001b[39m\u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39muse_idf,\n\u001b[0;32m 2088\u001b[0m smooth_idf\u001b[38;5;241m=\u001b[39m\u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39msmooth_idf,\n\u001b[0;32m 2089\u001b[0m sublinear_tf\u001b[38;5;241m=\u001b[39m\u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39msublinear_tf,\n\u001b[0;32m 2090\u001b[0m )\n\u001b[1;32m-> 2091\u001b[0m X \u001b[38;5;241m=\u001b[39m \u001b[38;5;28;43msuper\u001b[39;49m\u001b[43m(\u001b[49m\u001b[43m)\u001b[49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43mfit_transform\u001b[49m\u001b[43m(\u001b[49m\u001b[43mraw_documents\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 2092\u001b[0m \u001b[38;5;28mself\u001b[39m\u001b[38;5;241m.\u001b[39m_tfidf\u001b[38;5;241m.\u001b[39mfit(X)\n\u001b[0;32m 2093\u001b[0m \u001b[38;5;66;03m# X is already a transformed view of raw_documents so\u001b[39;00m\n\u001b[0;32m 2094\u001b[0m \u001b[38;5;66;03m# we set copy to False\u001b[39;00m\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\base.py:1466\u001b[0m, in \u001b[0;36m_fit_context.<locals>.decorator.<locals>.wrapper\u001b[1;34m(estimator, *args, **kwargs)\u001b[0m\n\u001b[0;32m 1461\u001b[0m partial_fit_and_fitted \u001b[38;5;241m=\u001b[39m (\n\u001b[0;32m 1462\u001b[0m fit_method\u001b[38;5;241m.\u001b[39m\u001b[38;5;18m__name__\u001b[39m \u001b[38;5;241m==\u001b[39m \u001b[38;5;124m\"\u001b[39m\u001b[38;5;124mpartial_fit\u001b[39m\u001b[38;5;124m\"\u001b[39m \u001b[38;5;129;01mand\u001b[39;00m _is_fitted(estimator)\n\u001b[0;32m 1463\u001b[0m )\n\u001b[0;32m 1465\u001b[0m \u001b[38;5;28;01mif\u001b[39;00m \u001b[38;5;129;01mnot\u001b[39;00m global_skip_validation \u001b[38;5;129;01mand\u001b[39;00m \u001b[38;5;129;01mnot\u001b[39;00m partial_fit_and_fitted:\n\u001b[1;32m-> 1466\u001b[0m \u001b[43mestimator\u001b[49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43m_validate_params\u001b[49m\u001b[43m(\u001b[49m\u001b[43m)\u001b[49m\n\u001b[0;32m 1468\u001b[0m \u001b[38;5;28;01mwith\u001b[39;00m config_context(\n\u001b[0;32m 1469\u001b[0m skip_parameter_validation\u001b[38;5;241m=\u001b[39m(\n\u001b[0;32m 1470\u001b[0m prefer_skip_nested_validation \u001b[38;5;129;01mor\u001b[39;00m global_skip_validation\n\u001b[0;32m 1471\u001b[0m )\n\u001b[0;32m 1472\u001b[0m ):\n\u001b[0;32m 1473\u001b[0m \u001b[38;5;28;01mreturn\u001b[39;00m fit_method(estimator, \u001b[38;5;241m*\u001b[39margs, \u001b[38;5;241m*\u001b[39m\u001b[38;5;241m*\u001b[39mkwargs)\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\base.py:666\u001b[0m, in \u001b[0;36mBaseEstimator._validate_params\u001b[1;34m(self)\u001b[0m\n\u001b[0;32m 658\u001b[0m \u001b[38;5;28;01mdef\u001b[39;00m \u001b[38;5;21m_validate_params\u001b[39m(\u001b[38;5;28mself\u001b[39m):\n\u001b[0;32m 659\u001b[0m \u001b[38;5;250m \u001b[39m\u001b[38;5;124;03m\"\"\"Validate types and values of constructor parameters\u001b[39;00m\n\u001b[0;32m 660\u001b[0m \n\u001b[0;32m 661\u001b[0m \u001b[38;5;124;03m The expected type and values must be defined in the `_parameter_constraints`\u001b[39;00m\n\u001b[1;32m (...)\u001b[0m\n\u001b[0;32m 664\u001b[0m \u001b[38;5;124;03m accepted constraints.\u001b[39;00m\n\u001b[0;32m 665\u001b[0m \u001b[38;5;124;03m \"\"\"\u001b[39;00m\n\u001b[1;32m--> 666\u001b[0m \u001b[43mvalidate_parameter_constraints\u001b[49m\u001b[43m(\u001b[49m\n\u001b[0;32m 667\u001b[0m \u001b[43m \u001b[49m\u001b[38;5;28;43mself\u001b[39;49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43m_parameter_constraints\u001b[49m\u001b[43m,\u001b[49m\n\u001b[0;32m 668\u001b[0m \u001b[43m \u001b[49m\u001b[38;5;28;43mself\u001b[39;49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43mget_params\u001b[49m\u001b[43m(\u001b[49m\u001b[43mdeep\u001b[49m\u001b[38;5;241;43m=\u001b[39;49m\u001b[38;5;28;43;01mFalse\u001b[39;49;00m\u001b[43m)\u001b[49m\u001b[43m,\u001b[49m\n\u001b[0;32m 669\u001b[0m \u001b[43m \u001b[49m\u001b[43mcaller_name\u001b[49m\u001b[38;5;241;43m=\u001b[39;49m\u001b[38;5;28;43mself\u001b[39;49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[38;5;18;43m__class__\u001b[39;49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[38;5;18;43m__name__\u001b[39;49m\u001b[43m,\u001b[49m\n\u001b[0;32m 670\u001b[0m \u001b[43m \u001b[49m\u001b[43m)\u001b[49m\n",
"File \u001b[1;32mc:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\sklearn\\utils\\_param_validation.py:95\u001b[0m, in \u001b[0;36mvalidate_parameter_constraints\u001b[1;34m(parameter_constraints, params, caller_name)\u001b[0m\n\u001b[0;32m 89\u001b[0m \u001b[38;5;28;01melse\u001b[39;00m:\n\u001b[0;32m 90\u001b[0m constraints_str \u001b[38;5;241m=\u001b[39m (\n\u001b[0;32m 91\u001b[0m \u001b[38;5;124mf\u001b[39m\u001b[38;5;124m\"\u001b[39m\u001b[38;5;132;01m{\u001b[39;00m\u001b[38;5;124m'\u001b[39m\u001b[38;5;124m, \u001b[39m\u001b[38;5;124m'\u001b[39m\u001b[38;5;241m.\u001b[39mjoin([\u001b[38;5;28mstr\u001b[39m(c)\u001b[38;5;250m \u001b[39m\u001b[38;5;28;01mfor\u001b[39;00m\u001b[38;5;250m \u001b[39mc\u001b[38;5;250m \u001b[39m\u001b[38;5;129;01min\u001b[39;00m\u001b[38;5;250m \u001b[39mconstraints[:\u001b[38;5;241m-\u001b[39m\u001b[38;5;241m1\u001b[39m]])\u001b[38;5;132;01m}\u001b[39;00m\u001b[38;5;124m or\u001b[39m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 92\u001b[0m \u001b[38;5;124mf\u001b[39m\u001b[38;5;124m\"\u001b[39m\u001b[38;5;124m \u001b[39m\u001b[38;5;132;01m{\u001b[39;00mconstraints[\u001b[38;5;241m-\u001b[39m\u001b[38;5;241m1\u001b[39m]\u001b[38;5;132;01m}\u001b[39;00m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 93\u001b[0m )\n\u001b[1;32m---> 95\u001b[0m \u001b[38;5;28;01mraise\u001b[39;00m InvalidParameterError(\n\u001b[0;32m 96\u001b[0m \u001b[38;5;124mf\u001b[39m\u001b[38;5;124m\"\u001b[39m\u001b[38;5;124mThe \u001b[39m\u001b[38;5;132;01m{\u001b[39;00mparam_name\u001b[38;5;132;01m!r}\u001b[39;00m\u001b[38;5;124m parameter of \u001b[39m\u001b[38;5;132;01m{\u001b[39;00mcaller_name\u001b[38;5;132;01m}\u001b[39;00m\u001b[38;5;124m must be\u001b[39m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 97\u001b[0m \u001b[38;5;124mf\u001b[39m\u001b[38;5;124m\"\u001b[39m\u001b[38;5;124m \u001b[39m\u001b[38;5;132;01m{\u001b[39;00mconstraints_str\u001b[38;5;132;01m}\u001b[39;00m\u001b[38;5;124m. Got \u001b[39m\u001b[38;5;132;01m{\u001b[39;00mparam_val\u001b[38;5;132;01m!r}\u001b[39;00m\u001b[38;5;124m instead.\u001b[39m\u001b[38;5;124m\"\u001b[39m\n\u001b[0;32m 98\u001b[0m )\n",
"\u001b[1;31mInvalidParameterError\u001b[0m: The 'stop_words' parameter of TfidfVectorizer must be a str among {'english'}, an instance of 'list' or None. Got {'o', 'den', 'an', 'şey', 'burada', 've', 'ah', 'ise', 'hiç', 'yine', 'biz', 'bu', 'da', 'genellikle', 'yılında', 'belirli', 'se', 'ne', 'kadar', 'neden', 'hem', 'aralar', 'yani', 'daha', 'araba', 'derken', 'dolayı', 'kısaca', 'karşı', 'niye', 'ki', 'bunu', 'buna', 'de', 'herhangi', 'önce', 'tabi', 'kime', 'biten', 'ben', 'ya', 'ya da', 'çünkü', 'mu', 'b', 'demek', 'fakat', 'şimdi', 'birlikte', 'her', 'bağlı', 'nasıl', 'şu', 'sadece', 'tüm', 'aslında', 'edilir', 'ama', 'bence', 'en', 'işte', 'gibi', 'ancak', 'birkaç', 'itibaren', 'mü', 'olabilir', 'bazı', 'oluşur', 'başlayan', 'yanı', 'olasılıkla', 'iyi', 'değil', 'eğer', 'yetenekli'} instead."
]
}
],
"source": [
"from pymongo import MongoClient\n",
"from sklearn.feature_extraction.text import TfidfVectorizer\n",
"from textblob import TextBlob as tb\n",
"import numpy as np\n",
"import math\n",
"import nltk \n",
"import matplotlib.pyplot as plt \n",
"\n",
"class Database:\n",
" @staticmethod\n",
" def get_mongodb():\n",
" return 'mongodb://localhost:27017/', 'EgitimDatabase', 'train'\n",
"\n",
"#--------------------------------------------------------------------------\n",
"#combined_text eklenmeli \n",
" @staticmethod\n",
" def get_input_documents(limit=3):\n",
" mongo_url, db_name, collection_name = Database.get_mongodb()\n",
" client = MongoClient(mongo_url)\n",
" db = client[db_name]\n",
" collection = db[collection_name]\n",
" cursor = collection.find().limit(limit)\n",
" combined_text = [doc for doc in cursor]\n",
" document_count = len(combined_text)\n",
" \n",
" # Dökümanları isimlendir\n",
" named_documents = {f'döküman {i+1}': doc for i, doc in enumerate(combined_text)}\n",
" \n",
" return named_documents, document_count\n",
"\n",
"\n",
"class Tf:\n",
" @staticmethod\n",
" def tf(word, blob):\n",
" return blob.words.count(word) / len(blob.words)\n",
"\n",
" @staticmethod\n",
" def n_containing(word, bloblist):\n",
" return sum(1 for blob in bloblist if word in blob.words)\n",
"\n",
" @staticmethod\n",
" def idf(word, bloblist):\n",
" return math.log(len(bloblist) / (1 + Tf.n_containing(word, bloblist)))\n",
"\n",
" @staticmethod\n",
" def tfidf(word, blob, bloblist):\n",
" return Tf.tf(word, blob) * Tf.idf(word, bloblist)\n",
"\n",
" @staticmethod\n",
" def get_input_documents(limit=3):\n",
" return Database.get_input_documents(limit)\n",
"\n",
"# Kullanım örneği\n",
"named_documents, document_count = Tf.get_input_documents(limit=1000)\n",
"\n",
"#tf-ıdf ile döküman içerisinden kelime seçme \n",
"\n",
"def extract_keywords(tfidf_matrix, feature_names, top_n=10):\n",
" \"\"\"\n",
" Her döküman için anahtar kelimeleri seç.\n",
" :param tfidf_matrix: TF-IDF matris\n",
" :param feature_names: TF-IDF özellik isimleri\n",
" :param top_n: Her döküman için seçilecek anahtar kelime sayısı\n",
" :return: Anahtar kelimeler ve skorlari\n",
" \"\"\"\n",
" keywords = {}\n",
" for doc_idx, row in enumerate(tfidf_matrix):\n",
" # TF-IDF değerlerini ve özellik isimlerini al\n",
" scores = np.asarray(row.T.todense()).flatten()\n",
" sorted_indices = np.argsort(scores)[::-1] # Skorları azalan sırada\n",
" top_features = sorted_indices[:top_n]\n",
" \n",
" doc_keywords = [(feature_names[idx], scores[idx]) for idx in top_features]\n",
" keywords[f'document_{doc_idx+1}'] = doc_keywords\n",
" \n",
" return keywords\n",
"\n",
"# Dokümanları işleyerek TF-IDF hesaplama\n",
"#bloblist dökümanların bir listesi\n",
"bloblist = []\n",
"for i, blob in enumerate(bloblist):\n",
" print(\"Top words in document {}\".format(i + 1))\n",
" scores = {word: Tf.tfidf(word, blob, bloblist) for word in blob.words} #dökümanların içerisinde bulunan kelimeleri alır.\n",
" sorted_words = sorted(scores.items(), key=lambda x: x[1], reverse=True)\n",
" for word, score in sorted_words[:3]:\n",
" print(\"\\tWord: {}, TF-IDF: {}\".format(word, round(score, 5)))\n",
"\n",
"\n",
"#buraya eşik değer belirlenmeli\n",
"turkish_stop_words = [\n",
" 'ah', 'ama', 'an', 'ancak', 'araba', 'aralar', 'aslında', \n",
" 'b', 'başlayan', 'bağlı', 'bazı', 'belirli', 'ben', 'bence', \n",
" 'birkaç', 'birlikte', 'bunu', 'burada', 'biten', 'biz', \n",
" 'bu', 'buna', 'çünkü', 'da', 'de', 'demek', 'den', 'derken', \n",
" 'değil', 'daha', 'dolayı', 'edilir', 'eğer', 'en', 'fakat', \n",
" 'genellikle', 'gibi', 'hem', 'her', 'herhangi', 'hiç', 'ise', \n",
" 'işte', 'itibaren', 'iyi', 'kadar', 'karşı', 'ki', 'kime', \n",
" 'kısaca', 'mu', 'mü', 'nasıl', 'ne', 'neden', 'niye', 'o', \n",
" 'olasılıkla', 'olabilir', 'oluşur', 'önce', 'şu', 'sadece', \n",
" 'se', 'şey', 'şimdi', 'tabi', 'tüm', 've', 'ya', 'ya da', \n",
" 'yanı', 'yani', 'yılında', 'yetenekli', 'yine'\n",
"]\n",
"\n",
"#features olarak top_keywordsleri belirleyerek metnin bu kelimelerin etrafında olması sağlanmalı \n",
"def calculate_tfidf(combined_text, stop_words):\n",
" vectorizer = TfidfVectorizer(stop_words=stop_words, max_features=10000)\n",
" tfidf_matrix = vectorizer.fit_transform(combined_text)\n",
" feature_names = vectorizer.get_feature_names_out()\n",
" return tfidf_matrix, feature_names\n",
"\n",
"#---------------------------------------------------------------------------------\n",
"#kelimelerin ortalama skorlarını hesaplama \n",
"def identify_low_tfidf_words(tfidf_matrix, feature_names, threshold=0.001):\n",
" # TF-IDF skorlarını toplayarak her kelimenin ortalama skorunu hesaplayın\n",
" avg_scores = np.mean(tfidf_matrix, axis=0).A1\n",
" low_tfidf_words = [feature_names[i] for i, score in enumerate(avg_scores) if score < threshold]\n",
" return low_tfidf_words\n",
"\n",
"#kelimelerin yeni geliştirilen eşik değere göre güncellenmesi \n",
"def update_stop_words(existing_stop_words, low_tfidf_words):\n",
" updated_stop_words = set(existing_stop_words) | set(low_tfidf_words)\n",
" return list(updated_stop_words)\n",
"\n",
"\n",
"#bu kısım detaylandırılmalı \n",
"def iterative_update(combined_text, initial_stop_words, iterations=5):\n",
" stop_words = set(initial_stop_words)\n",
" for _ in range(iterations):\n",
" tfidf_matrix, feature_names = calculate_tfidf(combined_text, stop_words)\n",
" low_tfidf_words = identify_low_tfidf_words(tfidf_matrix, feature_names)\n",
" stop_words = update_stop_words(stop_words, low_tfidf_words)\n",
" return list(stop_words)\n",
"\n",
"\n",
"\n",
"def main ():\n",
"\n",
" \n",
"#anlam ilişkisini de kontrol edecek bir yapı oluşpturulacak title ile benzerlik kontrol ederek yüksek benzerlik içeren kelimler sıralnacak .\n",
"\n",
"# Dökümanları liste olarak al\n",
" documents_list = [doc.get('text', '') if isinstance(doc, dict) else doc for doc in list(named_documents.values())]\n",
"\n",
" #başlangıç stop değerleriyle yeni olanları arasında değişim yapma \n",
" initial_stop_words = turkish_stop_words\n",
" # Stop-words listesini iteratif olarak güncelleyin\n",
" final_stop_words = iterative_update(documents_list, initial_stop_words)\n",
" #tf-ıdf hesaplama\n",
" tfidf_matrix, feature_names=calculate_tfidf(documents_list,final_stop_words)\n",
"\n",
" \n",
"\n",
" print(\"Güncellenmiş Stop-Words Listesi:\", final_stop_words)\n",
" print(\"TF-IDF Matrix Shape:\", tfidf_matrix.shape)\n",
" print(\"Feature Names Sample:\", feature_names[:10]) # İlk 10 feature adını gösterir\n",
"\n",
" return tfidf_matrix, feature_names,documents_list \n",
"\n",
"if __name__==\"__main__\":\n",
" tfidf_matrix, feature_names,documents_list= main()\n",
"\n",
"\n",
"# Sonuçları yazdır\n",
"print(\"İsimlendirilmiş Dökümanlar:\")\n",
"for name, doc in named_documents.items():\n",
" print(f\"{name}: {doc}\")\n",
"\n",
" print(\"\\nDökümanlar Listesi:\")\n",
" print(documents_list)\n",
"\n",
"#---------------------------------------------------------\n",
" blobs = [tb(doc) for doc in documents_list] # veya 'title' kullanarak başlıkları işleyebilirsiniz\n",
" all_words = set(word for blob in blobs for word in blob.words)\n",
"\n",
" tfidf_scores = {}\n",
" for word in all_words:\n",
" tfidf_scores[word] = [Tf.tfidf(word, blob, blobs) for blob in blobs]\n",
"\n",
" print(\"TF-IDF Skorları:\")\n",
" for word, scores in tfidf_scores.items():\n",
" print(f\"Kelime: {word}, Skorlar: {scores}\")\n",
"\n",
"\n",
"\n",
"\n",
"\n",
"#----------------------------------------------\n",
"\n",
"\n",
"\n",
"\n",
"\n",
"#alternatif keywordleri belirleme \n",
"#--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\n",
"\"\"\"turkish_stop_words = set([\n",
" 'ad', 'adım', 'ah', 'ama', 'an', 'ancak', 'araba', 'aralar', 'aslında', \n",
" 'b', 'bazı', 'belirli', 'ben', 'bence', 'bunu', 'burada', 'biz', 'bu', 'buna', 'çünkü', \n",
" 'da', 'de', 'demek', 'den', 'derken', 'değil', 'daha', 'dolayı', 'edilir', 'eğer', 'en', 'fakat', \n",
" 'genellikle', 'gibi', 'hem', 'her', 'herhangi', 'hiç', 'ise', 'işte', 'itibaren', 'iyi', 'kadar', \n",
" 'karşı', 'ki', 'kime', 'kısaca', 'mu', 'mü', 'nasıl', 'ne', 'neden', 'niye', 'o', 'olabilir', 'oluşur', \n",
" 'önce', 'şu', 'sadece', 'se', 'şey', 'şimdi', 'tabi', 'tüm', 've', 'ya', 'ya da', 'yani', 'yine'\n",
"])\n",
"def calculate_tfidf(documents):\n",
" vectorizer = TfidfVectorizer(stop_words=turkish_stop_words, max_features=10000) # max_features ile özellik sayısını sınırlıyoruz\n",
" tfidf_matrix = vectorizer.fit_transform(documents)\n",
" feature_names = vectorizer.get_feature_names_out()\n",
" return tfidf_matrix, feature_names\n",
"\n",
"#feature_names lerin belirlenmesi grekir \n",
"tfidf_matrix, feature_names=calculate_tfidf(documents)\n",
"\n",
"\n",
"\n",
"# En yüksek TF-IDF skorlarına sahip anahtar kelimeleri çıkarın\n",
"#sıkışık format kullanmarak tf-ıdf matrisini işleme \n",
"def get_top_n_keywords_sparse(n=10):\n",
"\n",
" # TF-IDF hesaplayıcı oluşturun\n",
" vectorizer = TfidfVectorizer()\n",
"\n",
" # Başlıklar ve metinler ile TF-IDF matrisini oluşturun\n",
" texts = Database.get_input_texts()\n",
" titles = Database.get_input_titles()\n",
" \n",
"\n",
" #title ve text değerlerini alarak vektörleştirdik.\n",
" tfidf_matrix = vectorizer.fit_transform(documents)\n",
"\n",
" # Özellik adlarını (kelimeleri) alın\n",
"\n",
" feature_names = vectorizer.get_feature_names_out()\n",
"\n",
" # TF-IDF sonuçlarını DataFrame'e dönüştürün\n",
" df = pd.DataFrame(tfidf_matrix.toarray(), columns=feature_names)\n",
" print(df)\n",
" keywords = {}\n",
" for i in range(tfidf_matrix.shape[0]):\n",
" row = tfidf_matrix[i].toarray().flatten() #list yapısından çıkarma \n",
" sorted_indices = row.argsort()[::-1] # Büyükten küçüğe sıralama\n",
" top_indices = sorted_indices[:n]\n",
" top_keywords = [feature_names[idx] for idx in top_indices]\n",
" keywords[i] = top_keywords\n",
" return keywords\"\"\"\n"
]
},
{
"cell_type": "code",
"execution_count": 1,
"metadata": {},
"outputs": [
{
"ename": "NameError",
"evalue": "name 'TfidfVectorizer' is not defined",
"output_type": "error",
"traceback": [
"\u001b[1;31m---------------------------------------------------------------------------\u001b[0m",
"\u001b[1;31mNameError\u001b[0m Traceback (most recent call last)",
"Cell \u001b[1;32mIn[1], line 41\u001b[0m\n\u001b[0;32m 31\u001b[0m turkish_stop_words \u001b[38;5;241m=\u001b[39m \u001b[38;5;28mset\u001b[39m([\n\u001b[0;32m 32\u001b[0m \u001b[38;5;124m'\u001b[39m\u001b[38;5;124ma\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mabide\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mabi\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mabla\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mad\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124madım\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mah\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mama\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124man\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mancak\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124maraba\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124maralar\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124maslında\u001b[39m\u001b[38;5;124m'\u001b[39m, \n\u001b[0;32m 33\u001b[0m \u001b[38;5;124m'\u001b[39m\u001b[38;5;124maşşağı\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124maz\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mb\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mbazı\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mbelirli\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mben\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mbence\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mbunu\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mburada\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mbiz\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mbu\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mbuna\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mçünkü\u001b[39m\u001b[38;5;124m'\u001b[39m, \n\u001b[1;32m (...)\u001b[0m\n\u001b[0;32m 37\u001b[0m \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mönce\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mşu\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124msadece\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124msana\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mse\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mşey\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mşimdi\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mtabi\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mtüm\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mve\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mya\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124mya da\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124myani\u001b[39m\u001b[38;5;124m'\u001b[39m, \u001b[38;5;124m'\u001b[39m\u001b[38;5;124myine\u001b[39m\u001b[38;5;124m'\u001b[39m\n\u001b[0;32m 38\u001b[0m ])\n\u001b[0;32m 40\u001b[0m \u001b[38;5;66;03m# TF-IDF hesaplayıcı oluşturun ve Türkçe durak kelimelerini dahil edin\u001b[39;00m\n\u001b[1;32m---> 41\u001b[0m vectorizer \u001b[38;5;241m=\u001b[39m \u001b[43mTfidfVectorizer\u001b[49m(stop_words\u001b[38;5;241m=\u001b[39mturkish_stop_words)\n\u001b[0;32m 44\u001b[0m \u001b[38;5;124;03m\"\"\"IDF, derlemedeki belge sayısının,\u001b[39;00m\n\u001b[0;32m 45\u001b[0m \u001b[38;5;124;03mincelenen anahtar kelimeyi içeren topluluktaki belge sayısına \u001b[39;00m\n\u001b[0;32m 46\u001b[0m \u001b[38;5;124;03mbölünmesiyle elde edilen algoritmadır. \u001b[39;00m\n\u001b[1;32m (...)\u001b[0m\n\u001b[0;32m 49\u001b[0m \u001b[38;5;124;03mkülliyat yani incelenen tüm belgelerin adedi 10 ise ve test edilen anahtar kelime,\u001b[39;00m\n\u001b[0;32m 50\u001b[0m \u001b[38;5;124;03mkülliyattaki üç belgede görünüyorsa, bu durumda IDF değeri 0.52’dir (log (10/3)).\"\"\"\u001b[39;00m\n\u001b[0;32m 51\u001b[0m \u001b[38;5;66;03m#TF-IDF puanı; Naive Bayes ve Destek Vektör Makineleri gibi algoritmalara aktarılabilir. Böylece kelime sayısı gibi daha temel yöntemlerin sonuçları büyük ölçüde iyileştirilebilir.\u001b[39;00m\n\u001b[0;32m 52\u001b[0m \u001b[38;5;66;03m#IDF = log ( Dokuman Sayısı / Terimin Geçtiği Dokuman Sayısı )\u001b[39;00m\n\u001b[0;32m 53\u001b[0m \u001b[38;5;66;03m#dokuman sayısılarını almakla başlayacağız.\u001b[39;00m\n\u001b[0;32m 54\u001b[0m \u001b[38;5;66;03m# : titlelerın sayısı / terimler ise \u001b[39;00m\n",
"\u001b[1;31mNameError\u001b[0m: name 'TfidfVectorizer' is not defined"
]
}
],
"source": [
"\n",
"#---------------------------------------------------------------------------------------------------------------------------------\n",
"#transformers kütüphanesine ait generation fonksiyonu özellikleri ,PyTorch generate() is implemented in GenerationMixin. \n",
"\n",
"\n",
"\"\"\"from transformers import GenerationConfig\n",
"\n",
"# Download configuration from huggingface.co and cache.\n",
"generation_config = GenerationConfig.from_pretrained(\"openai-community/gpt2\")\n",
"\n",
"# E.g. config was saved using *save_pretrained('./test/saved_model/')*\n",
"generation_config.save_pretrained(\"./test/saved_model/\")\n",
"generation_config = GenerationConfig.from_pretrained(\"./test/saved_model/\")\n",
"\n",
"# You can also specify configuration names to your generation configuration file\n",
"generation_config.save_pretrained(\"./test/saved_model/\", config_file_name=\"my_configuration.json\")\n",
"generation_config = GenerationConfig.from_pretrained(\"./test/saved_model/\", \"my_configuration.json\")\n",
"\n",
"# If you'd like to try a minor variation to an existing configuration, you can also pass generation\n",
"# arguments to `.from_pretrained()`. Be mindful that typos and unused arguments will be ignored\n",
"generation_config, unused_kwargs = GenerationConfig.from_pretrained(\n",
" \"openai-community/gpt2\", top_k=1, foo=False, do_sample=True, return_unused_kwargs=True\n",
")\n",
"generation_config.top_k\n",
"\n",
"unused_kwargs\n",
"\"\"\"\n",
"\n",
"\n",
"#tf-ıdf hesaplama (anahtar kelimeler için) #Bir kelimenin TF IDF puanı ne kadar yüksekse, kelime bulunduğu belgeyle o kadar alakalıdır.\n",
"\n",
"turkish_stop_words = set([\n",
" 'a', 'abide', 'abi', 'abla', 'ad', 'adım', 'ah', 'ama', 'an', 'ancak', 'araba', 'aralar', 'aslında', \n",
" 'aşşağı', 'az', 'b', 'bazı', 'belirli', 'ben', 'bence', 'bunu', 'burada', 'biz', 'bu', 'buna', 'çünkü', \n",
" 'da', 'de', 'demek', 'den', 'derken', 'değil', 'daha', 'dolayı', 'e', 'edilir', 'eğer', 'en', 'fakat', \n",
" 'genellikle', 'gibi', 'hem', 'her', 'herhangi', 'hiç', 'i', 'ise', 'işte', 'itibaren', 'iyi', 'kadar', \n",
" 'karşı', 'ki', 'kime', 'kısaca', 'mu', 'mü', 'nasıl', 'ne', 'neden', 'niye', 'o', 'olabilir', 'oluşur', \n",
" 'önce', 'şu', 'sadece', 'sana', 'se', 'şey', 'şimdi', 'tabi', 'tüm', 've', 'ya', 'ya da', 'yani', 'yine'\n",
"])\n",
"\n",
"# TF-IDF hesaplayıcı oluşturun ve Türkçe durak kelimelerini dahil edin\n",
"vectorizer = TfidfVectorizer(stop_words=turkish_stop_words)\n",
"\n",
"\n",
"\"\"\"IDF, derlemedeki belge sayısının,\n",
"incelenen anahtar kelimeyi içeren topluluktaki belge sayısına \n",
"bölünmesiyle elde edilen algoritmadır. \n",
"Yani ters belge sıklığı bir terimin önemini ölçer,\n",
"toplam belge sayısının, terimi içeren belge sayısına bölünmesiyle elde edilir.\n",
"külliyat yani incelenen tüm belgelerin adedi 10 ise ve test edilen anahtar kelime,\n",
"külliyattaki üç belgede görünüyorsa, bu durumda IDF değeri 0.52’dir (log (10/3)).\"\"\"\n",
"#TF-IDF puanı; Naive Bayes ve Destek Vektör Makineleri gibi algoritmalara aktarılabilir. Böylece kelime sayısı gibi daha temel yöntemlerin sonuçları büyük ölçüde iyileştirilebilir.\n",
"#IDF = log ( Dokuman Sayısı / Terimin Geçtiği Dokuman Sayısı )\n",
"#dokuman sayısılarını almakla başlayacağız.\n",
"# : titlelerın sayısı / terimler ise \n",
"\n",
"document_number=416434\n",
"\"\"\"Sonuç olarak TF IDF’nin, SEO’da pratik ve önemli bir kullanım alanına sahip olduğunu söylenebilir,\n",
" özellikle yüksek kaliteli içeriğin optimize edilmesinde ve oluşturulmasında yararlıdır. \n",
" Ancak TF IDF, içerik optimizasyonu için tek başına kullanıldığında ciddi sınırlamalarla karşı karşıya kalır:\"\"\"\n",
"\n",
"# TF-IDF hesaplayıcı oluşturun\n",
"vectorizer = TfidfVectorizer()\n",
"\n",
"# Başlıklar ve metinler ile TF-IDF matrisini oluşturun\n",
"texts = Database.get_input_texts()\n",
"titles,title_count = Database.get_input_titles()\n",
"documents = titles + texts # Başlıklar ve metinleri birleştir\n",
"\n",
"#title ve text değerlerini alarak vektörleştirdik.\n",
"tfidf_matrix = vectorizer.fit_transform(documents)\n",
"\n",
"# Özellik adlarını (kelimeleri) alın\n",
"\n",
"feature_names = vectorizer.get_feature_names_out()\n",
"\n",
"# TF-IDF sonuçlarını DataFrame'e dönüştürün\n",
"df = pd.DataFrame(tfidf_matrix.toarray(), columns=feature_names)\n",
"\n",
"\n",
"\"\"\"def get_top_n_keywords(df, n=10):\n",
" keywords = {}\n",
" for i, row in df.iterrows():\n",
" sorted_row = row.sort_values(ascending=False)\n",
" top_keywords = sorted_row.head(n).index\n",
" keywords[i] = top_keywords.tolist()\n",
" return keywords\"\"\"\n",
"\n",
"# En yüksek TF-IDF skorlarına sahip anahtar kelimeleri çıkarın\n",
"#sıkışık format kullanmarak tf-ıdf matrisini işleme \n",
"def get_top_n_keywords_sparse(n=10):\n",
"\n",
" # TF-IDF hesaplayıcı oluşturun\n",
" vectorizer = TfidfVectorizer()\n",
"\n",
" # Başlıklar ve metinler ile TF-IDF matrisini oluşturun\n",
" texts = Database.get_input_texts()\n",
" titles = Database.get_input_titles()\n",
" \n",
"\n",
" #title ve text değerlerini alarak vektörleştirdik.\n",
" tfidf_matrix = vectorizer.fit_transform(documents)\n",
"\n",
" # Özellik adlarını (kelimeleri) alın\n",
"\n",
" feature_names = vectorizer.get_feature_names_out()\n",
"\n",
" # TF-IDF sonuçlarını DataFrame'e dönüştürün\n",
" df = pd.DataFrame(tfidf_matrix.toarray(), columns=feature_names)\n",
" print(df)\n",
" keywords = {}\n",
" for i in range(tfidf_matrix.shape[0]):\n",
" row = tfidf_matrix[i].toarray().flatten() #list yapısından çıkarma \n",
" sorted_indices = row.argsort()[::-1] # Büyükten küçüğe sıralama\n",
" top_indices = sorted_indices[:n]\n",
" top_keywords = [feature_names[idx] for idx in top_indices]\n",
" keywords[i] = top_keywords\n",
" return keywords\n",
"\n",
"\n",
"top_keywords = get_top_n_keywords_sparse(tfidf_matrix, feature_names)\n",
"print(top_keywords)\n",
"print(f\"Başlıklar: {titles}\")\n",
"print(f\"Başlık sayısı: {title_count}\")\n",
"print(f\"Metinler: {texts}\")\n",
"print(f\"Metin sayısı: {len(texts)}\")\n",
"print(f\"Birleştirilmiş Belgeler: {documents[:5]}\") # İlk birkaç belgeyi kontrol etme\n",
"\n",
"def calculate_tfidf(docs):\n",
" vectorizer = TfidfVectorizer(stop_words=turkish_stop_words)\n",
" tfidf_matrix = vectorizer.fit_transform(docs)\n",
" feature_names = vectorizer.get_feature_names_out()\n",
" return tfidf_matrix, feature_names\n",
"\n",
"# İşlem için dökümanları parçalayarak kullanın\n",
"def process_documents_in_batches(docs, batch_size=1000, top_n=5):\n",
" all_keywords = {}\n",
" for start in range(0, len(docs), batch_size):\n",
" end = min(start + batch_size, len(docs))\n",
" batch_docs = docs[start:end]\n",
" tfidf_matrix, feature_names = calculate_tfidf(batch_docs)\n",
" batch_keywords = get_top_n_keywords_sparse(tfidf_matrix, feature_names, n=top_n)\n",
" all_keywords.update(batch_keywords)\n",
" return all_keywords\n",
"\n",
"#buraya mango db üzerindeki tüm dökümanlar gelmewli \n",
"keywords= process_documents_in_batches(documents,batch_size=1000,top_n=5)\n",
"\n",
"documents = titles + texts # Başlıklar ve metinleri birleştir\n",
"print(f\"en yüksek tf-ıdf skoruna sahip anahtar kelimeler:{keywords}\")\n",
"\n",
"\n",
"# Belgeleri TF-IDF matrisine dönüştürün\n",
"\"\"\"tfidf_matrix = vectorizer.fit_transform(documents)\n",
"\n",
"# Özellik adlarını (kelimeleri) alın\n",
"feature_names = vectorizer.get_feature_names_out()\n",
"\n",
"# TF-IDF sonuçlarını DataFrame'e dönüştürün\n",
"df = pd.DataFrame(tfidf_matrix.toarray(), columns=feature_names)\n",
"\n",
"print(df)\"\"\"\n",
"\n",
"#text ve title a göre keywords belirlenmesi\n",
"\n",
"#------------------------------------------------------------------------------\n",
"\n",
"\n",
"#sbert ile alt başlıkların oluşturulması\n",
"\n",
"#kümelenme ile alt başlıkların belirlenmesi \n",
"\n",
"#-------------------------------------------------------------------------------\n",
"\n",
"#anahatar kelime ve alt başlıkların veri tabnaına eklnemesi "
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"#benzerlik hesaplaması için kullanılacak \n",
"from sentence_transformers import SentenceTransformer"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Similarity Sentences "
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": []
},
{
"cell_type": "markdown",
"metadata": {},
"source": []
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"#prompt oluştururak generate etmek için hazırlık"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Bert Modeliyle tokenizer atama"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"tokenizer= BertTokenizer.from_pretrained('bert-base-uncased')\n",
"model=BertForMaskedLM.from_pretrained('bert-base-uncased')\n",
"\n",
"\"\"\"BERT MODELİNİ AYARLAMA\n",
"\n",
"input_file: Modelin işlem yapacağı giriş dosyasının yolunu belirtir. Bu dosya, metin verilerini içermelidir.\n",
"-----------------------------------------------------------------------------------------------------------------\n",
"output_file: Modelin çıktılarının kaydedileceği dosyanın yolunu belirtir.\n",
"------------------------------------------------------------------------------------------------------------------\n",
"layers: Hangi BERT katmanlarının kullanılacağını belirler. Örneğin, \"-1,-2,-3,-4\" son dört katmanı ifade eder.\n",
"----------------------------------------------------------------------------------------------------------------------\n",
"bert_config_file: Önceden eğitilmiş BERT modelinin yapılandırma dosyasının yolu. Bu dosya modelin mimarisini belirler.\n",
"--------------------------------------------------------------------------------------------------------------------------\n",
"max_seq_length: Giriş sekanslarının maksimum uzunluğu. Sekanslar bu uzunluktan uzunsa kesilir, kısa ise sıfır ile doldurulur.\n",
"--------------------------------------------------------------------------------------------------------------------------------\n",
"init_checkpoint: Başlangıç ağırlıkları. Genellikle önceden eğitilmiş bir BERT modelinin ağırlıkları buradan yüklenir.\n",
"----------------------------------------------------------------------------------------------------------------------------\n",
"vocab_file: BERT modelinin eğitildiği kelime dağarcığının (vocabulary) dosya yolu. Modelin kelime parçacıklarını tanıması için gereklidir.\n",
"--------------------------------------------------------------------------------------------------------------------------------------------------\n",
"do_lower_case: Giriş metinlerinin küçük harfe mi dönüştürüleceğini belirler. Küçük harfli model için True, büyük harfli model için False olmalıdır.\n",
"-----------------------------------------------------------------------------------------------------------------------------------------------------------\n",
"batch_size: Tahminler sırasında kullanılacak veri kümesi boyutu.\n",
"--------------------------------------------------------------------------------------------------------------------------------------\n",
"use_tpu: TPU (Tensor Processing Unit) kullanılıp kullanılmayacağını belirler. True ise TPU, False ise GPU/CPU kullanılır.\n",
"--------------------------------------------------------------------------------------------------------------------------------\n",
"master: TPU kullanılıyorsa, TPU'nun ana makinesinin adresi.\n",
"---------------------------------------------------------------------------------------------------------------------------------------\n",
"num_tpu_cores: TPU kullanılacaksa, toplam TPU çekirdek sayısını belirtir.\n",
"-----------------------------------------------------------------------------------------------------------------------------------------\n",
"use_one_hot_embeddings: TPUs'da genellikle True olarak ayarlanır çünkü bu, tf.one_hot fonksiyonunu kullanarak embedding lookup işlemlerini hızlandırır. GPU/CPU kullanılıyorsa False tercih edilir.\"\"\"\n"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"t5 Modeli"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"from transformers import pipeline\n",
"from dotenv import load_dotenv\n",
"import os \n",
"# Load model directly\n",
"from transformers import AutoTokenizer, AutoModelForSeq2SeqLM\n",
"\n",
"\n",
"#tokenizer ve modelin yüklenmesi\n",
"tokenizer = AutoTokenizer.from_pretrained(\"google/flan-t5-small\")\n",
"model = AutoModelForSeq2SeqLM.from_pretrained(\"google/flan-t5-small\")\n",
"prompt = \"Write an article about Machine Learning in Healthcare focusing on Introduction to ML and Applications in Healthcare.\"\n",
"#api anahtarını çevresel değişken al\n",
"api_key= os.getenv('HUGGINGFACE_API_KEY')\n",
"#env dosyasını yükleme\n",
"load_dotenv()\n",
"\n",
"#---------------------------------------------------------------------------------\n",
"if api_key is None:\n",
" raise ValueError(\"Apı anahtarı .env dosyasında bulunamadı\")\n",
"\n",
"# Başlıkları oluştur\n",
"headers = {\"Authorization\": f\"Bearer {api_key}\"}\n",
"\n",
"inputs=tokenizer(prompt, return_tensors=\"pt\")\n",
"input_sequence = \"[CLS] Machine Learning in Healthcare [SEP] Introduction to ML [SEP] Applications in Healthcare [SEP] machine learning, healthcare, AI [SEP]\"\n",
"#deneme data parçası\n",
"data = {\n",
" \"title\": \"Machine Learning in Healthcare\",\n",
" \"sub_headings\": [\"Introduction to ML\", \"Applications in Healthcare\"],\n",
" \"keywords\": [\"machine learning\", \"healthcare\", \"AI\"]\n",
"}\n",
"\n",
"# Girdiyi oluşturma\n",
"prompt = (\n",
" f\"Title: {data['title']}\\n\"\n",
" f\"Sub-headings: {', '.join(data['sub_headings'])}\\n\"\n",
" f\"Keywords: {', '.join(data['keywords'])}\\n\"\n",
" f\"Content: {input_sequence}\\n\"\n",
" \"Please generate a detailed article based on the above information.\"\n",
")\n",
"\n",
"#metin üretimi \n",
"output_sequences = model.generate(\n",
" inputs['input_ids'],\n",
" max_length=300, # Üretilecek metnin maksimum uzunluğu\n",
" min_length=150, # Üretilecek metnin minimum uzunluğu\n",
" num_return_sequences=1, # Döndürülecek metin sayısı\n",
" do_sample=True, # Örneklemeye izin ver\n",
" top_k=50, # Top-k sampling kullan\n",
" top_p=0.95, # Top-p sampling kullan\n",
" repetition_penalty=1.2, # Anlamsız tekrarları önlemek için ceza\n",
" eos_token_id=tokenizer.eos_token_id # Tam cümlelerin oluşturulmasını sağla\n",
")\n",
"\n",
"\n",
"# Üretilen metni token'lardan çözüp string'e çevir\n",
"generated_text = tokenizer.decode(output_sequences[0], skip_special_tokens=True)\n",
"\n",
"print(generated_text)\n"
]
}
],
"metadata": {
"kernelspec": {
"display_name": "base",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.10.11"
}
},
"nbformat": 4,
"nbformat_minor": 2
}
|