Bu model, Türkçe metinler için duygu analizi yapmayı amaçlamaktadır. Model, dört farklı duygu kategorisini sınıflandırmak üzere eğitilmiştir:
Bu model, bert-base-turkish-cased modeli temel alınarak özel bir veri seti üzerinde eğitilmiştir. Hedef, sosyal medyada ve diğer metin tabanlı platformlarda sıklıkla karşılaşılan olumsuz ve ayrımcı söylemleri tespit etmektir.
Modelin genel performansı aşağıdaki gibidir:
Kategori bazlı performans metrikleri ise şöyledir:
| Kategori | Precision | Recall | F1 Score |
|---|---|---|---|
| Irkçılık | 0.881 | 0.919 | 0.899 |
| Kızdırma | 0.944 | 0.912 | 0.927 |
| Nötr | 0.960 | 0.965 | 0.963 |
| Cinsiyetçilik | 0.857 | 0.904 | 0.880 |
Aşağıdaki Python kodu, transformers kütüphanesi ile bu modelin nasıl kullanılacağını göstermektedir:
import torch
from transformers import pipeline
model_name = "ba2hann/bert-base-turkish-sentiment-analize"
sentiment_pipeline = pipeline(
task="text-classification",
model=model_name,
tokenizer=model_name,
device=0 if torch.cuda.is_available() else -1 # GPU varsa kullan, yoksa CPU
)
category_map = {
0: "Irkçılık",
1: "Kızdırma",
2: "Nötr",
3: "Cinsiyetçilik"
}
def analyze_sentiment(text):
sonuc = sentiment_pipeline(text)[0]
label_index = int(sonuc['label'].split('_')[-1])
kategori = category_map.get(label_index, "Bilinmeyen")
return {
"text": text,
"category": kategori,
"score": sonuc['score']
}
if __name__ == "__main__":
ornek_cumleler = [
"Bu çok güzel bir gün.", #Nötr
"Sen ne kadar aptalsın!", #Kızdırma
"Bu ırkçı bir söylem.", #Irkçılık
"Kadınlar araba kullanamaz.", #Cinsiyetçilik
"Bu konu hakkında hiçbir fikrim yok." #Nötr
]
for ornek_cumle in ornek_cumleler:
sonuc = analyze_sentiment(ornek_cumle)
print("\nAnaliz Sonuçları:")
print(f"Analiz Edilen Cümle: {sonuc['text']}")
print(f"Tahmin: {sonuc['category']}")
print(f"Tahmin Güveni: {sonuc['score']:.2%}")