Spaces:
Sleeping
Sleeping
Update app.py
Browse files
app.py
CHANGED
|
@@ -7,6 +7,7 @@ import gradio as gr
|
|
| 7 |
from transformers import pipeline
|
| 8 |
|
| 9 |
# --- 1. MODELLERİN HAZIRLANMASI ---
|
|
|
|
| 10 |
ner_pipe = pipeline(
|
| 11 |
"ner",
|
| 12 |
model="xlm-roberta-large-finetuned-conll03-english",
|
|
@@ -14,6 +15,7 @@ ner_pipe = pipeline(
|
|
| 14 |
device="cpu"
|
| 15 |
)
|
| 16 |
|
|
|
|
| 17 |
model_id = "Qwen/Qwen2.5-1.5B-Instruct"
|
| 18 |
try:
|
| 19 |
gen_pipe = pipeline(
|
|
@@ -27,91 +29,91 @@ try:
|
|
| 27 |
except Exception as e:
|
| 28 |
IS_LLM_ENABLED = False
|
| 29 |
|
| 30 |
-
# --- 2. FONKSİYONLAR ---
|
| 31 |
|
| 32 |
def get_wiki_summary(term):
|
|
|
|
| 33 |
try:
|
| 34 |
wikipedia.set_lang("tr")
|
| 35 |
search_results = wikipedia.search(term)
|
| 36 |
if not search_results: return None
|
|
|
|
| 37 |
return wikipedia.summary(search_results[0], sentences=2, auto_suggest=False)
|
| 38 |
except:
|
| 39 |
return None
|
| 40 |
|
| 41 |
@spaces.GPU
|
| 42 |
def refine_label_with_llm(entity_text, wiki_context, custom_label_definitions):
|
|
|
|
| 43 |
if not IS_LLM_ENABLED: return "MISC", "LLM Aktif Değil"
|
| 44 |
|
|
|
|
| 45 |
if next(gen_pipe.model.parameters()).device.type != "cuda":
|
| 46 |
gen_pipe.model.to("cuda")
|
| 47 |
|
| 48 |
-
#
|
| 49 |
label_defs_str = "\n".join([f"KATEGORİ: {k} -> TANIM: {v}" for k, v in custom_label_definitions.items()])
|
| 50 |
|
| 51 |
-
prompt = f"""
|
| 52 |
|
| 53 |
-
KATEGORİ LİSTESİ
|
| 54 |
{label_defs_str}
|
| 55 |
|
| 56 |
-
GÖREV:
|
| 57 |
VARLIK: {entity_text}
|
| 58 |
WIKIPEDIA BAĞLAMI: {wiki_context}
|
| 59 |
|
| 60 |
-
|
| 61 |
-
1. Wikipedia bağlamındaki
|
| 62 |
-
2. Bu
|
| 63 |
-
3.
|
| 64 |
|
| 65 |
-
|
| 66 |
-
Gerekçe: [Burada bağlamdaki anahtar kelimeyi ve seçtiğin kategoriyi açıkla]
|
| 67 |
-
Cevap: [Sadece Kategori Adı]"""
|
| 68 |
|
| 69 |
messages = [{"role": "user", "content": prompt}]
|
| 70 |
try:
|
| 71 |
-
|
| 72 |
-
outputs = gen_pipe(messages, max_new_tokens=150, do_sample=False, temperature=0.1)
|
| 73 |
full_output = outputs[0]["generated_text"][-1]["content"].strip()
|
| 74 |
|
| 75 |
-
# ---
|
| 76 |
final_label = "MISC"
|
| 77 |
valid_keys = list(custom_label_definitions.keys())
|
| 78 |
|
| 79 |
-
#
|
| 80 |
lines = full_output.split('\n')
|
| 81 |
-
for line in reversed(lines):
|
| 82 |
if "Cevap:" in line:
|
| 83 |
found = re.sub(r'[^A-Z]', '', line.split("Cevap:")[-1].strip().upper())
|
| 84 |
if found in valid_keys:
|
| 85 |
final_label = found
|
| 86 |
break
|
| 87 |
|
| 88 |
-
#
|
| 89 |
if final_label == "MISC":
|
| 90 |
-
|
| 91 |
-
|
| 92 |
-
|
| 93 |
-
if w in valid_keys:
|
| 94 |
-
final_label = w
|
| 95 |
break
|
| 96 |
-
|
| 97 |
return final_label, full_output
|
| 98 |
except Exception as e:
|
| 99 |
return "MISC", f"Hata: {str(e)}"
|
| 100 |
-
|
|
|
|
| 101 |
|
| 102 |
def process_ner(text):
|
| 103 |
logs = ["🚀 İşlem başlatıldı..."]
|
| 104 |
yield logs, []
|
| 105 |
|
| 106 |
custom_labels = {
|
| 107 |
-
"SOFTWARE": "Bilgisayar programları, işletim sistemleri ve dijital araçlar.",
|
| 108 |
-
"AWARD": "Ödüller, festivaller ve
|
| 109 |
-
"BOOK": "Kitaplar
|
| 110 |
-
"MOVIE": "Sinema filmleri ve görsel yapımlar.",
|
| 111 |
-
"PRODUCT": "Ticari ürünler, somut cihazlar ve
|
| 112 |
-
"NORP": "Milliyetler, etnik gruplar
|
| 113 |
}
|
| 114 |
|
|
|
|
| 115 |
initial_results = ner_pipe(text)
|
| 116 |
final_results = []
|
| 117 |
|
|
@@ -120,6 +122,7 @@ def process_ner(text):
|
|
| 120 |
label = entity['entity_group']
|
| 121 |
res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": label, "Kaynak": "Model"}
|
| 122 |
|
|
|
|
| 123 |
if label == "MISC":
|
| 124 |
standardized = word.strip().title()
|
| 125 |
logs.append(f"⚠️ <b>{word}</b> için Wikipedia taranıyor...")
|
|
@@ -127,31 +130,37 @@ def process_ner(text):
|
|
| 127 |
|
| 128 |
wiki_text = get_wiki_summary(standardized)
|
| 129 |
if wiki_text:
|
| 130 |
-
# Wikipedia bilgisini
|
| 131 |
-
logs.append(f"ℹ️ <b>Wiki Özeti:</b> {wiki_text[:
|
| 132 |
-
logs.append(f"🤖 LLM
|
| 133 |
yield logs, [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
|
| 134 |
|
| 135 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 136 |
res["Nihai Etiket"] = new_label
|
| 137 |
res["Kaynak"] = "RAG+LLM"
|
| 138 |
-
logs.append(f"✅ <b>
|
| 139 |
else:
|
| 140 |
logs.append(f"❌ '{word}' için Wikipedia bağlamı bulunamadı.")
|
| 141 |
|
| 142 |
final_results.append(res)
|
|
|
|
| 143 |
yield logs, [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
|
| 144 |
|
| 145 |
logs.append("✨ Analiz başarıyla tamamlandı.")
|
| 146 |
yield logs, [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
|
| 147 |
|
| 148 |
-
# --- 4. ARAYÜZ TASARIMI
|
| 149 |
|
| 150 |
with gr.Blocks(title="NER RAG v3") as demo:
|
| 151 |
gr.Markdown("# 🚀 Gelişmiş NER & RAG Sistemi")
|
| 152 |
|
| 153 |
with gr.Row():
|
| 154 |
-
input_text = gr.Textbox(label="Analiz Edilecek Metin", lines=5)
|
| 155 |
|
| 156 |
with gr.Row():
|
| 157 |
with gr.Column(scale=1):
|
|
@@ -163,9 +172,10 @@ with gr.Blocks(title="NER RAG v3") as demo:
|
|
| 163 |
|
| 164 |
def update_ui(text):
|
| 165 |
for logs, table in process_ner(text):
|
| 166 |
-
|
|
|
|
| 167 |
for m in logs:
|
| 168 |
-
log_html += f"<
|
| 169 |
log_html += "</div>"
|
| 170 |
yield log_html, table
|
| 171 |
|
|
|
|
| 7 |
from transformers import pipeline
|
| 8 |
|
| 9 |
# --- 1. MODELLERİN HAZIRLANMASI ---
|
| 10 |
+
# NER Modeli (XLM-Roberta) CPU üzerinde yüklenir
|
| 11 |
ner_pipe = pipeline(
|
| 12 |
"ner",
|
| 13 |
model="xlm-roberta-large-finetuned-conll03-english",
|
|
|
|
| 15 |
device="cpu"
|
| 16 |
)
|
| 17 |
|
| 18 |
+
# LLM Modeli (Qwen 2.5-1.5B)
|
| 19 |
model_id = "Qwen/Qwen2.5-1.5B-Instruct"
|
| 20 |
try:
|
| 21 |
gen_pipe = pipeline(
|
|
|
|
| 29 |
except Exception as e:
|
| 30 |
IS_LLM_ENABLED = False
|
| 31 |
|
| 32 |
+
# --- 2. YARDIMCI FONKSİYONLAR ---
|
| 33 |
|
| 34 |
def get_wiki_summary(term):
|
| 35 |
+
"""Wikipedia'dan terim hakkında özet bilgi çeker."""
|
| 36 |
try:
|
| 37 |
wikipedia.set_lang("tr")
|
| 38 |
search_results = wikipedia.search(term)
|
| 39 |
if not search_results: return None
|
| 40 |
+
# En alakalı sonucun ilk 2 cümlesini getirir
|
| 41 |
return wikipedia.summary(search_results[0], sentences=2, auto_suggest=False)
|
| 42 |
except:
|
| 43 |
return None
|
| 44 |
|
| 45 |
@spaces.GPU
|
| 46 |
def refine_label_with_llm(entity_text, wiki_context, custom_label_definitions):
|
| 47 |
+
"""ZeroGPU kullanarak LLM üzerinden etiket doğrulaması yapar."""
|
| 48 |
if not IS_LLM_ENABLED: return "MISC", "LLM Aktif Değil"
|
| 49 |
|
| 50 |
+
# Modeli anlık olarak GPU'ya taşı
|
| 51 |
if next(gen_pipe.model.parameters()).device.type != "cuda":
|
| 52 |
gen_pipe.model.to("cuda")
|
| 53 |
|
| 54 |
+
# Etiket tanımlarını LLM'in anlayacağı formata getir
|
| 55 |
label_defs_str = "\n".join([f"KATEGORİ: {k} -> TANIM: {v}" for k, v in custom_label_definitions.items()])
|
| 56 |
|
| 57 |
+
prompt = f"""Aşağıdaki Wikipedia bağlamını analiz ederek varlığı EN UYGUN kategoriye yerleştir.
|
| 58 |
|
| 59 |
+
KATEGORİ LİSTESİ:
|
| 60 |
{label_defs_str}
|
| 61 |
|
|
|
|
| 62 |
VARLIK: {entity_text}
|
| 63 |
WIKIPEDIA BAĞLAMI: {wiki_context}
|
| 64 |
|
| 65 |
+
ANALİZ KURALLARI:
|
| 66 |
+
1. Önce Wikipedia bağlamındaki anahtar kelimeleri (roman, film, ödül, yazılım vb.) açıkla.
|
| 67 |
+
2. Bu anahtar kelimeleri Kategori Listesi ile kıyasla.
|
| 68 |
+
3. Cevabını SADECE şu formatta bitir: 'Cevap: ETİKET_ADI'
|
| 69 |
|
| 70 |
+
Gerekçe:"""
|
|
|
|
|
|
|
| 71 |
|
| 72 |
messages = [{"role": "user", "content": prompt}]
|
| 73 |
try:
|
| 74 |
+
outputs = gen_pipe(messages, max_new_tokens=200, do_sample=False, temperature=0.1)
|
|
|
|
| 75 |
full_output = outputs[0]["generated_text"][-1]["content"].strip()
|
| 76 |
|
| 77 |
+
# --- GELİŞMİŞ ETİKET AYIKLAMA MANTIĞI ---
|
| 78 |
final_label = "MISC"
|
| 79 |
valid_keys = list(custom_label_definitions.keys())
|
| 80 |
|
| 81 |
+
# 1. Yöntem: 'Cevap:' satırını kontrol et
|
| 82 |
lines = full_output.split('\n')
|
| 83 |
+
for line in reversed(lines):
|
| 84 |
if "Cevap:" in line:
|
| 85 |
found = re.sub(r'[^A-Z]', '', line.split("Cevap:")[-1].strip().upper())
|
| 86 |
if found in valid_keys:
|
| 87 |
final_label = found
|
| 88 |
break
|
| 89 |
|
| 90 |
+
# 2. Yöntem (Yedek): Tüm metin içinde geçerli anahtar kelimeleri tara
|
| 91 |
if final_label == "MISC":
|
| 92 |
+
for key in valid_keys:
|
| 93 |
+
if key in full_output.upper():
|
| 94 |
+
final_label = key
|
|
|
|
|
|
|
| 95 |
break
|
| 96 |
+
|
| 97 |
return final_label, full_output
|
| 98 |
except Exception as e:
|
| 99 |
return "MISC", f"Hata: {str(e)}"
|
| 100 |
+
|
| 101 |
+
# --- 3. ANA İŞLEM HATTI (PIPELINE) ---
|
| 102 |
|
| 103 |
def process_ner(text):
|
| 104 |
logs = ["🚀 İşlem başlatıldı..."]
|
| 105 |
yield logs, []
|
| 106 |
|
| 107 |
custom_labels = {
|
| 108 |
+
"SOFTWARE": "Bilgisayar programları, işletim sistemleri, mobil uygulamalar ve dijital araçlar.",
|
| 109 |
+
"AWARD": "Ödüller, festivaller, madalyalar ve onur nişanları.",
|
| 110 |
+
"BOOK": "Kitaplar, romanlar, yazılı eserler ve edebi yayınlar.",
|
| 111 |
+
"MOVIE": "Sinema filmleri, diziler ve görsel yapımlar.",
|
| 112 |
+
"PRODUCT": "Ticari ürünler, somut cihazlar, modeller ve markalar.",
|
| 113 |
+
"NORP": "Milliyetler, etnik gruplar, dini topluluklar veya siyasi gruplar."
|
| 114 |
}
|
| 115 |
|
| 116 |
+
# İlk aşama: Standart NER
|
| 117 |
initial_results = ner_pipe(text)
|
| 118 |
final_results = []
|
| 119 |
|
|
|
|
| 122 |
label = entity['entity_group']
|
| 123 |
res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": label, "Kaynak": "Model"}
|
| 124 |
|
| 125 |
+
# Eğer etiket belirsizse (MISC), RAG sürecini başlat
|
| 126 |
if label == "MISC":
|
| 127 |
standardized = word.strip().title()
|
| 128 |
logs.append(f"⚠️ <b>{word}</b> için Wikipedia taranıyor...")
|
|
|
|
| 130 |
|
| 131 |
wiki_text = get_wiki_summary(standardized)
|
| 132 |
if wiki_text:
|
| 133 |
+
# Wikipedia bilgisini log alanına yazdır
|
| 134 |
+
logs.append(f"ℹ️ <b>Wiki Özeti:</b> {wiki_text[:120]}...")
|
| 135 |
+
logs.append(f"🤖 LLM Analiz Ediyor...")
|
| 136 |
yield logs, [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
|
| 137 |
|
| 138 |
+
# LLM Karar Mekanizması
|
| 139 |
+
new_label, raw_llm_response = refine_label_with_llm(standardized, wiki_text, custom_labels)
|
| 140 |
+
|
| 141 |
+
# Modelin ham yanıtını (Gerekçe + Cevap) loga yazdır
|
| 142 |
+
logs.append(f"<div style='color: #444; border-left: 3px solid #ffa500; padding-left: 8px; margin: 5px 0; font-size: 0.9em; background: #fff5e6;'><b>Model Yanıtı:</b><br>{raw_llm_response}</div>")
|
| 143 |
+
|
| 144 |
res["Nihai Etiket"] = new_label
|
| 145 |
res["Kaynak"] = "RAG+LLM"
|
| 146 |
+
logs.append(f"✅ <b>Nihai Karar:</b> {new_label}")
|
| 147 |
else:
|
| 148 |
logs.append(f"❌ '{word}' için Wikipedia bağlamı bulunamadı.")
|
| 149 |
|
| 150 |
final_results.append(res)
|
| 151 |
+
# Her adımda tabloyu güncelle
|
| 152 |
yield logs, [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
|
| 153 |
|
| 154 |
logs.append("✨ Analiz başarıyla tamamlandı.")
|
| 155 |
yield logs, [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
|
| 156 |
|
| 157 |
+
# --- 4. GRADIO ARAYÜZ TASARIMI ---
|
| 158 |
|
| 159 |
with gr.Blocks(title="NER RAG v3") as demo:
|
| 160 |
gr.Markdown("# 🚀 Gelişmiş NER & RAG Sistemi")
|
| 161 |
|
| 162 |
with gr.Row():
|
| 163 |
+
input_text = gr.Textbox(label="Analiz Edilecek Metin", lines=5, placeholder="Buraya bir metin girin...")
|
| 164 |
|
| 165 |
with gr.Row():
|
| 166 |
with gr.Column(scale=1):
|
|
|
|
| 172 |
|
| 173 |
def update_ui(text):
|
| 174 |
for logs, table in process_ner(text):
|
| 175 |
+
# Logları HTML formatında düzenle
|
| 176 |
+
log_html = "<div style='background: #f0f4f8; padding: 10px; border-radius: 5px; font-family: sans-serif; height: 400px; overflow-y: auto;'>"
|
| 177 |
for m in logs:
|
| 178 |
+
log_html += f"<div style='margin-bottom: 8px; border-bottom: 1px solid #dee2e6; padding-bottom: 4px;'>{m}</div>"
|
| 179 |
log_html += "</div>"
|
| 180 |
yield log_html, table
|
| 181 |
|