Update app.py

app.py

@@ -53,17 +53,32 @@ def refine_label_with_llm(entity_text, full_sentence, wiki_context, custom_label
     # 2. Sistematik CoT ve Kuralların Tanımlanması
     
     prompt = f"""
-Sen yüksek hassasiyetli bir semantik analiz uzmanısın.
-Görevin, '[[{entity_text}]]' varlığını aşağıdaki 4 adımlı Sistematik CoT protokolüne göre sınıflandırmaktır.
+Sen yüksek hassasiyetli bir semantik analiz uzmanısın. Görevin, '[[{entity_text}]]' varlığını aşağıdaki 4 adımlı Sistematik CoT protokolüne göre sınıflandırmaktır.
 
 ETİKET TANIMLARI:
 {label_rules}
 
 SİSTEMATİK CoT ADIMLARI:
-Adım 1 - Wikipedia ve Cümle Çakıştırma: Wikipedia bilgisini ("{wiki_context}") analiz et. Varlığın cümledeki yüklem ("{full_sentence}") ve niteleyicilerle (örn: 'kitabı', 'sistemi', 'reklamı') olan ilişkisini belirle.
-Adım 2 - Tanım Eşleştirme: {custom_labels} listesindeki 'tanim' alanlarını incele. Wikipedia verisiyle cümledeki 'kullanım amacını' (örneğin varlık bir 'okuma nesnesi' mi yoksa bir 'zaman birimi' mi?) karşılaştır.
-Adım 3 - Olasılık Filtresi: En yüksek puanlı etiketi seçerken 'Disambiguation' (Anlam Ayrıştırma) yap. Eğer varlık hem bir yıl hem bir sanat eseri ise, cümledeki 'yazar' veya 'kitap' ifadesine dayanarak ART_WORK etiketine öncelik ver.
-Adım 4 - Kanıta Dayalı Karar: Seçtiğin etiketi cümle içindeki somut bir anahtar kelimeyle (keyword) doğrula. Eşleşme yoksa MISC etiketini koru.
+Adım 1: Wikipedia'dan gelen bilgileri ("{wiki_context}") analiz et. Varlığın temel niteliğini (kişi mi, yazılım mı, sanat eseri mi?) belirle.
+Adım 2: Bu nitelikleri {custom_labels} listesindeki 'tanim' alanlarıyla karşılaştır. Wikipedia'daki anahtar kelimeler ile etiket tanımlarındaki anahtar kelimeleri eşleştir.
+Adım 3: En yüksek anlamsal benzerliğe sahip etiketi RAG sonucu olarak seç. Eğer Wikipedia bilgisi yetersizse, orijinal cümledeki ("{full_sentence}") fiil ve niteleyicilere (örn: "yazdı", "kuruldu", "işletim sistemi") odaklan.
+Adım 4: Kararını somut kanıtlara dayandır. Eğer hiçbir etiket tanımına uyum sağlanamazsa MISC değerini koru.
+
+FEW-SHOT ÖRNEKLERİ:
+
+ÖRNEK 1:
+- CÜMLE: "1984, distopik bir geleceği anlatan en önemli romandır."
+- VARLIK: 1984
+- WIKIPEDIA: "1984 (roman), George Orwell tarafından yazılmış distopik bir kitaptır. Ayrıca 1984 bir takvim yılıdır."
+- ANALİZ: [Adım 1: Wiki hem yıl hem kitap diyor. Adım 2: Cümlede 'roman' ve 'anlatan' geçiyor, bu BOOK tanımına uyar. Adım 3: BOOK seçildi. Adım 4: Cümledeki 'roman' ifadesi kitap türünü ifade eder.]
+- CEVAP: BOOK
+
+ÖRNEK 2:
+- CÜMLE: "Sistem Windows üzerinde sorunsuz çalışıyor."
+- VARLIK: Windows
+- WIKIPEDIA: "Microsoft Windows, kişisel bilgisayarlar için geliştirilmiş bir işletim sistemidir."
+- ANALİZ: [Adım 1: Wiki bunun bir işletim sistemi olduğunu doğruluyor. Adım 2: SOFTWARE tanımı 'işletim sistemleri ve dijital araçlar'ı kapsıyor. Adım 3: SOFTWARE seçildi. Adım 4: Wiki'deki 'işletim sistemi' tanımıyla tam eşleşme sağlandı.]
+- CEVAP: SOFTWARE
 
 GÜNCEL GÖREV:
 - HEDEF VARLIK: {entity_text}
@@ -82,7 +97,6 @@ Cevap: [SADECE_ETIKET_ADI]
 
 
 
-
     messages = [{"role": "user", "content": prompt}]
     text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
     model_inputs = tokenizer([text], return_tensors="pt").to(device)