Update app.py

app.py

@@ -43,14 +43,17 @@ def refine_label_with_llm(entity_text, full_sentence, wiki_context, custom_label
     device = "cuda" if torch.cuda.is_available() else "cpu"
     llm_model.to(device)
 
-    # 1. Etiket Tanımları
+    # 1. Etiket Tanımları (Bilgi Kaynağı)
     label_rules = ""
     for k, v in custom_label_definitions.items():
         label_rules += f"### {k}\n- TANIM: {v['tanim']}\n- ANAHTARLAR: {', '.join(v['anahtar_kelimeler'])}\n\n"
 
-    # 2. Tam Sistematik CoT ve Kurallar
+    # 2. Sistematik CoT ve Kuralların Tanımlanması
     prompt = f"""Sen yüksek hassasiyetli bir semantik analiz uzmanısın.
-Görevin, '[[{entity_text}]]' varlığını aşağıdaki protokollere göre sınıflandırmaktır.
+Görevin, '[[{entity_text}]]' varlığını aşağıdaki 4 adımlı Sistematik CoT protokolüne göre sınıflandırmaktır.
+
+ETİKET TANIMLARI:
+{label_rules}
 
 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?
@@ -58,19 +61,27 @@ SİSTEMATİK CoT ADIMLARI:
 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}
-
 REFERANS ANALİZLER (FEW-SHOT):
-Örnek 1 (Çelişki Durumu):
+Örnek 1 (Tam Uyum):
+VARLIK: 'Inception'
+CÜMLE: "Dün gece Inception filmini tekrar izledim."
+WIKI: "Inception, Christopher Nolan tarafından yönetilen 2010 yapımı bilimkurgu filmidir."
+ANALİZ: 
+- Adım 1: Cümlede 'film' ve 'izlemek' kelimeleri görsel esere işaret ediyor.
+- Adım 2: Wiki verisi varlığın bir film olduğunu doğruluyor.
+- Adım 3: Kaynaklar arasında çelişki yok.
+- Adım 4: MOVIE etiketi uygundur.
+CEVAP: MOVIE
+
+Örnek 2 (Kritik Çelişki):
 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.
+- Adım 1: Cümlede 'roman' ve 'yazar' kelimeleri varlığı doğrudan kitap olarak niteliyor.
+- Adım 2: Wiki verisi bu ismi bir film (movie) olarak gösteriyor.
+- Adım 3: ÇELİŞKİ TESPİT EDİLDİ. Kaynak hiyerarşisi gereği cümledeki 'roman' ifadesi Wikipedia'dan daha önceliklidir.
+- Adım 4: BOOK etiketi uygundur.
 CEVAP: BOOK
 
 GÜNCEL GÖREV:
@@ -91,16 +102,11 @@ 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=400, 
-            do_sample=False, 
-            temperature=0.1
-        )
+        generated_ids = llm_model.generate(model_inputs.input_ids, max_new_tokens=450, 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 ve Ayıklama
+        # Markdown temizliği ve Etiket Ayıklama
         clean_output = full_output.replace("*", "")
         final_label = "MISC"
         valid_keys = list(custom_label_definitions.keys())