Update app.py

app.py

@@ -38,34 +38,52 @@ def get_random_examples():
 
 @spaces.GPU
 def refine_label_with_llm(entity_text, full_sentence, wiki_context, custom_label_definitions):
-    """LLM ile sistematik CoT analizi yapar."""
     if not IS_LLM_ENABLED: return "MISC", "LLM Aktif Değil"
     
     device = "cuda" if torch.cuda.is_available() else "cpu"
     llm_model.to(device)
 
+    # 1. Etiket Tanımları
     label_rules = ""
     for k, v in custom_label_definitions.items():
-        label_rules += f"### {k}\n- TANIM: {v['tanim']}\n- ÖRNEKLER: {', '.join(v['ornekler'])}\n\n"
+        label_rules += f"### {k}\n- TANIM: {v['tanim']}\n- ANAHTARLAR: {', '.join(v['anahtar_kelimeler'])}\n\n"
 
-    prompt = f"""Sen uzman bir veri sınıflandırma sistemisin.
-GÖREV: Aşağıdaki varlığı, bağlam hiyerarşisine göre kategorize et.
+    # 2. Tam Sistematik CoT ve Kurallar
+    prompt = f"""Sen yüksek hassasiyetli bir semantik analiz uzmanısın.
+Görevin, '[[{entity_text}]]' varlığını aşağıdaki protokollere göre sınıflandırmaktır.
+
+SİSTEMATİK CoT ADIMLARI:
+1. **Sentaktik İnceleme:** Cümle içinde varlığın sağındaki ve solundaki kelimeleri (niteleyicileri) tespit et. Varlık bir fiille mi (yazıldı, vizyona girdi) yoksa bir isimle mi (yazılımı, ödülü) ilişkili?
+2. **Bilgi Entegrasyonu:** Wikipedia verisindeki genel tanımı oku. Varlığın tarihsel veya teknik kimliğini belirle.
+3. **Çelişki ve Hiyerarşi Denetimi:** Wikipedia bilgisi ile cümledeki kullanım amacı çelişiyor mu? (Örn: Wiki 'film' diyor ama cümle 'kitap' diyorsa, cümledeki kullanım esastır).
+4. **Etiket Eşleşmesi:** Elde edilen nihai kanıtları, 'ETİKET TANIMLARI'ndaki en yakın kategoriyle eşleştir ve son kararı ver.
 
 ETİKET TANIMLARI:
 {label_rules}
 
-VERİLER:
+REFERANS ANALİZLER (FEW-SHOT):
+Örnek 1 (Çelişki Durumu):
+VARLIK: 'Gizli Bahçe'
+CÜMLE: "Yazar son romanı 'Gizli Bahçe' ile ödül aldı."
+WIKI: "Gizli Bahçe: 1993 yapımı bir dram filmidir."
+ANALİZ: 
+- Adım 1: Cümlede 'roman' ve 'yazar' kelimeleri varlığı nitelemektedir. 
+- Adım 2: Wiki verisi bir filmden bahsetmektedir. 
+- Adım 3: Wiki ve Cümle çelişiyor; cümledeki 'roman' ifadesi birincil kanıttır. 
+- Adım 4: Yazılı eser olduğu için BOOK etiketi uygundur.
+CEVAP: BOOK
+
+GÜNCEL GÖREV:
 - HEDEF VARLIK: {entity_text}
-- CÜMLE: "{full_sentence}"
-- WIKIPEDIA: "{wiki_context}"
+- ORİJİNAL CÜMLE: "{full_sentence}"
+- HARİCİ BİLGİ (Wikipedia): "{wiki_context}"
 
-ANALİZ KURALLARI:
-1. Sadece '{entity_text}' varlığına odaklan.
-2. Cümledeki ipuçları ile Wikipedia çelişirse cümleyi önceliklendir.
-3. Cevabında asla yıldız (*) veya markdown kullanma.
+ÇIKTI KURALLARI:
+- Cevabında asla yıldız (*) veya markdown kullanma.
+- Analiz adımlarını yukarıdaki 4 adımlı protokole göre yaz.
 
 ÇIKTI FORMATI:
-Analiz: [Kısa ve öz mantıksal süreç]
+Analiz: [4 Adımlı CoT Analizi]
 Cevap: [SADECE_ETIKET_ADI]"""
 
     messages = [{"role": "user", "content": prompt}]
@@ -73,14 +91,17 @@ Cevap: [SADECE_ETIKET_ADI]"""
     model_inputs = tokenizer([text], return_tensors="pt").to(device)
 
     try:
-        generated_ids = llm_model.generate(model_inputs.input_ids, max_new_tokens=300, do_sample=False, temperature=0.1)
+        generated_ids = llm_model.generate(
+            model_inputs.input_ids, 
+            max_new_tokens=400, 
+            do_sample=False, 
+            temperature=0.1
+        )
         response_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)]
         full_output = tokenizer.batch_decode(response_ids, skip_special_tokens=True)[0].strip()
         
-        # Temizlik: Tüm yıldız işaretlerini kaldır
+        # Temizlik ve Ayıklama
         clean_output = full_output.replace("*", "")
-        
-        # Etiket Ayıklama (Regex)
         final_label = "MISC"
         valid_keys = list(custom_label_definitions.keys())
         match = re.search(r"Cevap:\s*([A-Z_]+)", clean_output, re.IGNORECASE)
@@ -88,7 +109,7 @@ Cevap: [SADECE_ETIKET_ADI]"""
         if match:
             extracted = match.group(1).upper().strip()
             if extracted in valid_keys: final_label = extracted
-        
+            
         return final_label, clean_output
     except Exception as e:
         return "MISC", f"Hata: {str(e)}"