Bu model, Türkçe metinler üzerinde Sentiment Analysis (Duygu Analizi) yapmak için Türkçe dilindeki giyim ürünlerine ait metinlerden oluşturulan veri kümesi kullanılarak fine-tune edilmiş bir ABSA (Aspect-Based Sentiment Analysis) modelidir. Model, dbmdz/bert-base-turkish-cased temel modelinden türetilmiştir ve Türkçe dilindeki metinlerde olumlu, olumsuz veya nötr duygu kategorilerine ait etiketleri tahmin edebilmektedir.

Developed by: [ebru kılıç , rumeysa nur yasav]
Model type: [Fine-Tuned ABSA Model]
License: [MIT]
Finetuned from model [optional]: [dbmdz/bert-base-turkish-cased]

Bu model, doğrudan metin verisini alıp duygu etiketlerini tahmin etmek için kullanılabilir. Modelin çıktı olarak "olumlu", "olumsuz" veya "nötr" etiketlerinden birini döndürmesi beklenir.Model, sadece duygu analizi için eğitilmiştir. Karmaşık doğal dil işleme (NLP) görevleri, makale yazımı veya özetleme gibi işlemler için uygun değildir.

Modeli Nasıl Kullanabiliriz?

Modeli, transformers kütüphanesini kullanarak yükleyebilir ve metinlerdeki duygu analizini gerçekleştirebilirsiniz.

python

from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch

# modelin ve tokenizerın yüklenmesi
model_name = "ebrukilic/bert-absa-tr-2"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

# cuda
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
model.eval()

python

# test etmek için örnek
text = "Ürün çok güzel ama kolları kısa ve çok dar"
aspect = "Beden"

inputs = tokenizer(aspect, text, truncation=True, padding='max_length', max_length=128, return_tensors="pt").to(device)

# model ile tahmin yapılması:
with torch.no_grad():
    outputs = model(**inputs)

logits = outputs.logits
predicted_class_id = torch.argmax(logits, dim=-1).item()

# Tahmin edilen etiketin açıklaması
id_to_label = {0: "negatif", 1: "nötr", 2: "pozitif"}
predicted_label = id_to_label[predicted_class_id]
print(f"Tahmin edilen etiket: {predicted_label}")

Eğitim Verisi

ebrukilic/clothing_products_ABSA_v2

Model, Türkçe metinlerdeki kullanıcı yorumları ve ilgili "aspect"ler (özellikler) kullanılarak eğitildi. Etiketler, 3 sınıflı duygu (polarite) kategorisinde negatif, nötr ve pozitif olarak tanımlanmıştır. Veri kümesi eğitim ve test olmak üzere toplamda 11,470 örnekten oluşmaktadır.

Veri seti:

Normalized Yorum: Yorum metni
Aspects: Kullanıcı yorumu ile ilişkilendirilen konu veya özellik
Polarity: Yorumun duygusal polaritesi (negatif, nötr, pozitif)

python

from transformers import Trainer, TrainingArguments, AdamW

training_args = TrainingArguments(
    output_dir='./results',   # modelin kaydedildiği yer
    per_device_train_batch_size=32,
    per_device_eval_batch_size=32,
    num_train_epochs=4,     # ilkinde 3'tü -> ebrukilic/bert-finetune-araproje
    evaluation_strategy="steps",
    eval_steps=50,
    save_strategy="steps",
    save_steps=50,
    load_best_model_at_end=True,
    fp16=True,
    weight_decay=0.01,
    logging_dir='./logs',
    logging_steps=10,
)

optimizer = AdamW(
    params=model.parameters(),  # modelin parametreleri
    lr=3e-5,                    # öğrenme hızı -> ilkinde 2e-5 idi, bu model için 3e-5 olarak değiştirildi
    eps=1e-8                    # epsilon değeri
)

Test Sonucu

ebrukilic/tubitak_clothing_absa_v3 veri kümesi üzerinde yapılan test sonucu aşağıdaki gibidir.

Device: cuda
Label mapping: {'negatif': 0, 'nötr': 1, 'pozitif': 2}
Accuracy: 0.726
Macro-F1: 0.785

Aspect-aware Evaluation

Accuracy: 0.8310
Macro-F1: 0.7850

Label	Precision	Recall	F1-score	Support
negatif	0.93	0.82	0.87	1719
nötr	0.55	0.64	0.59	653
pozitif	0.87	0.92	0.89	1639
macro avg	0.78	0.79	0.79	4011
weighted avg	0.84	0.83	0.83	4011

Text-only Evaluation

Accuracy: 0.6457
Macro-F1: 0.5893

Label	Precision	Recall	F1-score	Support
negatif	0.78	0.63	0.70	1719
nötr	0.27	0.38	0.32	653
pozitif	0.74	0.77	0.75	1639
macro avg	0.60	0.59	0.59	4011
weighted avg	0.68	0.65	0.66	4011

Summary

Aspect-aware: Acc=0.831, F1=0.785
Text-only: Acc=0.646, F1=0.589
Aspect effect: +28.7%