metadata
library_name: transformers
language:
- tr
base_model:
- dbmdz/bert-base-turkish-uncased
tags:
- text-classification
- sequence-classification
- transformers
- turkish
- intent-classification
datasets:
- custom
metrics:
- accuracy
- f1
- precision
- recall
🔍 Query Classifier: Turkish BERT Model
Bu model, Türkçe sorguları "keyword" ve "semantic" olmak üzere iki sınıfa ayırmak amacıyla eğitilmiş bir BERT tabanlı sıralı sınıflandırma (sequence classification) modelidir. Model, kısa metinlerin veya arama sorgularının niyetini (intent) belirlemede kullanılabilir.
🧾 Kullanım Senaryosu
Kullanıcıdan gelen bir sorgunun anahtar kelime temelli mi, yoksa daha geniş anlamsal bağlam içeren bir yapı mı taşıdığını tespit etmek için kullanılır. Bu sayede sorgular farklı işleme stratejilerine yönlendirilebilir.
🧠 Model Detayları
- Model mimarisi: BERT (
dbmdz/bert-base-turkish-uncased) - Eğitim verisi: Özel olarak etiketlenmiş 2 sınıflı sorgu veri kümesi
- Etiketler:
keyword: Daha çok başlık veya kısa anahtar ifadeler (örneğin: Gece Gelen, Ozan Kılıç)semantic: Daha açıklayıcı veya anlam yüklü ifadeler (örneğin: 2020 yılı dram filmleri, Bilim kurgu filmleri)
📈 Model Başarımı
Test kümesi üzerinde elde edilen sonuçlar:
precision recall f1-score support
keyword 0.97 0.95 0.96 552
semantic 0.71 0.81 0.76 86
accuracy 0.93 638
macro avg 0.84 0.88 0.86 638
weighted avg 0.93 0.93 0.93 638
🚀 Kullanım Örneği
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
model = AutoModelForSequenceClassification.from_pretrained("melique/query-classifier")
tokenizer = AutoTokenizer.from_pretrained("melique/query-classifier")
text = "Yaşam"
inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)
pred = torch.argmax(outputs.logits, dim=1).item()
labels = ["keyword", "semantic"]
print(f"Tahmin edilen sınıf: {labels[pred]}")