Update app.py

app.py

@@ -50,11 +50,11 @@ ANALİZ VERİLERİ:
 - HARİCİ BİLGİ (Wikipedia): "{wiki_context}"
 
 SİSTEMATİK ANALİZ ADIMLARI (Auto-CoT):
-1. **Bağlamsal Kanıt Toplama:** Orijinal cümle içerisinde hedef varlığı niteleyen doğrudan ipuçlarını (yanındaki tür isimleri, eylemler, sıfatlar) saptanır.
-2. **Bilgi Entegrasyonu:** Wikipedia verisinden varlığın genel kimliğini ve kategorisini belirle.
-3. **Kaynak Hiyerarşisi ve Çelişki Denetimi:** - Eğer cümledeki yerel bağlam (birincil kaynak) varlığı belirli bir kategoriye (örn: kitap) işaret ediyorsa; ancak harici bilgi (ikincil kaynak) farklı bir kategori (örn: film) sunuyorsa, birincil kaynağın spesifik beyanına öncelik ver.
-4. **Sınıflandırma Mantığı:** Sentezlenen en güvenilir veriyi 'ETİKET TANIMLARI'ndaki anahtar kelimelerle sistematik olarak eşleştir.
-5. **Doğrulama:** Kararın, varlığın cümle içindeki kullanım amacıyla (fonksiyonel bağlam) tutarlı olduğunu teyit et.
+1. Bağlamsal Kanıt Toplama: Orijinal cümle içerisinde hedef varlığı niteleyen doğrudan ipuçlarını (yanındaki tür isimleri, eylemler, sıfatlar) saptanır.
+2. Bilgi Entegrasyonu: Wikipedia verisinden varlığın genel kimliğini ve kategorisini belirle.
+3. Kaynak Hiyerarşisi ve Çelişki Denetimi: Eğer cümledeki yerel bağlam (birincil kaynak) varlığı belirli bir kategoriye (örn: kitap) işaret ediyorsa; ancak harici bilgi (ikincil kaynak) farklı bir kategori (örn: film) sunuyorsa, birincil kaynağın spesifik beyanına öncelik ver.
+4. Sınıflandırma Mantığı: Sentezlenen en güvenilir veriyi 'ETİKET TANIMLARI'ndaki anahtar kelimelerle sistematik olarak eşleştir.
+5. Doğrulama: Kararın, varlığın cümle içindeki kullanım amacıyla (fonksiyonel bağlam) tutarlı olduğunu teyit et.
 
 ÇIKTI FORMATI:
 Analiz: [Mantıksal çıkarım sürecini ve kaynak tercih sebebini açıklayan kısa analiz]
@@ -111,12 +111,12 @@ def process_ner(text):
     custom_labels = {
     "MOVIE": {
         "tanim": "Sinematik ve görsel sanat eserleri, kurgusal yapımlar, sahne sanatları.",
-        "anahtar_kelimeler": ["film", "dizi", "sinema", "yönetmen", "yapım", "belgesel", "sinematografik"],
+        "anahtar_kelimeler": ["film", "dizi", "sinema", "belgesel", "sinematografik"],
         "ornekler": ["Oppenheimer", "Hababam Sınıfı", "Inception", "Yüzüklerin Efendisi"]
     },
     "BOOK": {
         "tanim": "Yazılı edebiyat ürünleri, basılı materyaller, ciltli veya dijital kitaplar.",
-        "anahtar_kelimeler": ["kitap", "roman", "yazar", "edebiyat", "tefrika", "dergi", "makale", "basım", "yayın"],
+        "anahtar_kelimeler": ["kitap", "roman", "dergi", "makale", "hikaye", "yayın"],
         "ornekler": ["Nutuk", "Sefiller", "Çalıkuşu", "Suç ve Ceza"]
     },
     "SOFTWARE": {
@@ -126,8 +126,8 @@ def process_ner(text):
     },
     "AWARD": {
         "tanim": "Resmi törenlerle verilen takdir, ödül ve onur simgeleri.",
-        "anahtar_kelimeler": ["ödül", "festival", "madalya", "nişan", "birincilik", "yarışma", "oscar", "tören"],
-        "ornekler": ["Nobel Barış Ödülü", "Altın Portakal", "Şampiyonlar Ligi Kupası"]
+        "anahtar_kelimeler": ["ödül", "festival", "madalya", "nişan", "birincilik", "yarışma", "tören"],
+        "ornekler": ["Nobel Barış Ödülü", "Altın Portakal", "Şampiyonlar Ligi Kupası","Oscar Ödülü"]
     },
     "PRODUCT": {
         "tanim": "Fiziksel olarak üretilen, markası olan ticari ürün ve cihazlar.",
@@ -180,8 +180,8 @@ def process_ner(text):
     yield logs, [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
 
 # --- 4. GÖRSEL ARAYÜZ ---
-with gr.Blocks(title="Final RAG-NER System") as demo:
-    gr.Markdown("# 🚀 Uzman NER & RAG Sistemi")
+with gr.Blocks(title=" RAG-NER System") as demo:
+    gr.Markdown("#  RAGNER  Sistemi")
     
     with gr.Tab("Metin Analizi"):
         input_text = gr.Textbox(label="Metin Girişi", lines=4)