{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Kütüphaneler eklenmesi"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "c:\\gitProjects\\yeni\\.venv\\lib\\site-packages\\tqdm\\auto.py:21: TqdmWarning: IProgress not found. Please update jupyter and ipywidgets. See https://ipywidgets.readthedocs.io/en/stable/user_install.html\n",
      "  from .autonotebook import tqdm as notebook_tqdm\n"
     ]
    }
   ],
   "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": 3,
   "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": 4,
   "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": 5,
   "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": 6,
   "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": 7,
   "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": 7,
   "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\\\\bert\\\\datasets\\\\train_Egitim\\\\merged_train.parquet'\n",
    "test_file_path = 'C:\\\\gitProjects\\\\bert\\\\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": [
    "from sklearn.feature_extraction.text import TfidfVectorizer\n",
    "from sentence_transformers import SentenceTransformer\n",
    "\n",
    "#bert base modeli \n",
    "model = SentenceTransformer(\"emrecan/bert-base-turkish-cased-mean-nli-stsb-tr\")\n",
    "\n",
    "#text dosyasını koleksiyon üzerinden çekme \n",
    "# Database sınıfı: Veritabanı bağlantıları ve verileri çekme işlevleri\n",
    "# Database sınıfı: Veritabanı bağlantıları ve verileri çekme işlevleri\n",
    "class Database:\n",
    "    @staticmethod\n",
    "    def get_mongodb():\n",
    "        # MongoDB bağlantı bilgilerini döndürecek şekilde tanımlanmıştır.\n",
    "        return 'mongodb://localhost:27017/', 'EgitimDatabase', 'train'\n",
    "\n",
    "    @staticmethod\n",
    "    def get_input_titles():\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",
    "        query = {\"title\": {\"$exists\": True}}\n",
    "        cursor = collection.find(query, {\"title\": 1, \"_id\": 0})\n",
    "        # Başlıkları listeye aldık\n",
    "        title_from_db = [doc['title'] for doc in cursor]\n",
    "        title_count = len(title_from_db)\n",
    "        return title_from_db, title_count\n",
    "    \n",
    "    @staticmethod\n",
    "    def get_input_texts():\n",
    "        mongo_url, db_name, collection_name = Database.get_mongodb()\n",
    "        client = MongoClient(mongo_url)\n",
    "        db = client[db_name]\n",
    "        collection = db[collection_name]\n",
    "        query = {\"text\": {\"$exists\": True}}\n",
    "        cursor = collection.find(query, {\"text\": 1, \"_id\": 0})\n",
    "        text_from_db = [doc['text'] for doc in cursor]\n",
    "        text_count= len(text_from_db)\n",
    "        return text_from_db,text_count\n",
    "\n",
    "\n",
    "# Veritabanından başlıklar ve metinler alınır\n",
    "titles, title_count = Database.get_input_titles()\n",
    "texts = Database.get_input_texts()\n",
    "\n",
    "#sonuçların belirlenmesi\n",
    "documents = titles + texts\n",
    "print(f\"Başlıklar: {titles}\")\n",
    "print(f\"Başlık sayısı: {title_count}\")\n",
    "#print(f\"Metinler: {texts}\")\n",
    "print(f\"Metin sayısı: {len(texts)}\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "TF-IDF HESAPLAMA"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "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",
    "\n",
    "class Database:\n",
    "    @staticmethod\n",
    "    def get_mongodb():\n",
    "        return 'mongodb://localhost:27017/', 'EgitimDatabase', 'train'\n",
    "\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",
    "        documents = [doc for doc in cursor]\n",
    "        document_count = len(documents)\n",
    "        return documents, document_count\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",
    "documents, document_count = Tf.get_input_documents(limit=3)\n",
    "\n",
    "# Dokümanları işleyerek TF-IDF hesaplama\n",
    "\n",
    "blobs = [tb(doc.get('text', '')) for doc in documents]  # 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",
    "\"\"\"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": null,
   "metadata": {},
   "outputs": [],
   "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
}