DogrusuNe

Amacımız

Türkçe birleşik kelimelerin yazımında hata bulan ve doğru kullanımını öneren bir uygulama sunmak. Geliştirdiğimiz bu uygulama ile günlük hayatta sıklıkla kullandığımız ve nadiren kullandığımız birleşik kelimelerin yazımındaki karışıklığı ortadan kaldırmayı hedefliyoruz. Özellikle bu konuya dikkat çekerek ve çözüm getirerek Türkçeye büyük katkı sağlayacağımızı düşünüyoruz.

Takım Üyeleri

Havvanur Bozömeroğlu (havvabzmr@gmail.com)
Merve Korkut (korkutt98@gmail.com)
Selin Gökcan (www.selin.gokcan@gmail.com)
Selen Gökcan (gokcanselen@gmail.com)

Yöntem

Bu proje boyunca kullandığımız araçlar ve yöntemleri aşağıda bulabilirsiniz.

Veri seti

Kulllandığımız veri setine bu linkten erişebilirsiniz: https://www.kaggle.com/mahdinamidamirchi/turkish-sentences-dataset

Veri seti Wikipedia'dan elde eldilen Türkçe kelimelerden oluşmaktadır. Her cümle en fazla 14, en düşük 2 kelimeden oluşur. Cümlelerin içerisinde herhangi bir özel karakter veya kısaltma bulunmuyor. Sürekli güncellenen bir veri setidir. Bizim kullandığımız versiyonda toplam 170458 satırdan oluşur. Yani içerisinde 170458 tane cümle bulundurur.

Ayrıca oluşturduğumuz küçük çaplı veri setleri bulunuyor.

atasözleri.txt --> 2265 tane atasözü barındıran bir txt belgesidir.
yaban yakup kadri karaosmanoğlu.txt --> Edebiyatımızda ünlü bir eser olan Yaban kitabının cümlelerinde oluşan bir txt belgesidir. 5169 satırdan oluşmaktadır.

Sözlükler

kelime_sözlüğü.txt --> Genellikle birleşik ve ayrı yazımında hata yapılan kelimelerden oluşan sözlüktür. 35657 tane satırdan oluşmaktadır.
ayrıyazılan.txt --> Ayrı yazılması gereken kelimelerden oluşan sözlüktür. 27219 tane satırdan oluşmaktadır.
birlesikyazılankelimeler.txt --> Birleşik yazılması gereken kelimelerden oluşan süzlüktür. 8801 tane kelimeden oluşmaktadır.

Süreç

Literatürde birleşik ve ayrı yazımları karıştırılan kelimeler hakkında daha önce bir çalışma Türkçe’ de bulunmamaktadır. Bu kelimeler arasında anlamsal olarak yazım şekli değişenler olsada anlamsal olmayanları da sözlüğümüze dahil ettik. Bu şekilde 35657 tane kelime elde ettik. Bu kelimelerin yazımı genellikle karıştırılır ve yanlış kullanımı oldukça fazladır. Modelimizi oluştururken derin öğrenme algoritması olan BiLSTM ve makine öğrenimi algoritmalarından biri olan XGBoost algoritmaları denenmiştir.

İki modeli denemeden önce ön işleme aşamasında verimizi geçirdik. Bu aşamada birleşik yazılan kelimeleri anlamlı bir şekilde parçaladık. Ardından yazımı karıştırılan sözlüğümdeki bütün kelimelerin aralarında birer boşluk bulunmuş oldu ve bu boşluklara ‘X’ yerleştirildi. Bunun ardında ayrı yazılan kelimelerden biri var ise cümlemizde bu cümle 0, bitişik yazılan kelimelerden biri var ise 1 olarak etiketlemeyi gerçekleştirdik. Modelin doğru bir şekilde öğrenebilmesi için random undersampling ile hata oranı azaltılmış oldu. Oluşturduğumuz bu yeni veri setinden test verisi için %20’lik kısmı, %80’lik kısmı ise modeli eğitmek için kullanıldı.

LSTM’ler uzun vadeli bağımlılık problemini çözmek için tasarlanan özel bir RNN türüdür (Hochreiter & Schmidhuber, 1997). Bilgiyi uzun süre hatırlama davranışı sergilerler. LSTM'ler tüm tekrarlayan sinir ağları gibi bir sinir ağının tekrar eden hücrelerine sahiptir, fakat tekrar eden hücre tek bir sinir ağı kapısına sahip olmak yerine, etkileşime giren 3 adet kapıya sahiptir(Graves & Schmidhuberab, 2005). BiLSTM'de tek bir modeli eğitmek yerine iki modeli eğitiyoruz. İlk model sağlanan girdinin sırasını öğrenir ve ikinci model bu sıranın tersini öğrenir.

Doğruluğu yüksek bir topluluk öğrenme modeli geliştirmek için ilk seviyede farklı tahminleme yöntemlerine sahip olan lojistik regresyon, extra ağaçlar, destek vektör makinesi algoritmaları kullanılmıştır. İkinci seviyede ise ağırlıklandırma yaparak birkaç modelin ortalamasıyla hatalı tahminlemeyi en aza indiren yükseltme algoritmalarından XGBoosting kullanılmıştır. İlk seviyede kullanılan algoritmalar ikinci seviyenin girdilerini oluşturarak performansı artırmaktadır. Bu iki modelden en iyi performansı veren BiLSTM algoritmasıdır. Modelimizi bu algoritmayla oluşturduk. Ayrıca bu modeli web sitemizin arka planında kullandık.

BiLSTM

XGBoost

Gereklilikler

Model için --> Python 3.6+
Web Sitesi için --> HTML, CSS, JavaScript, Bootstrap, Flask, Python 3.6+

BiLSTM için Gerekli Kütüphaneler

  import pandas as pd
  import keras
  import pickle
  from keras.preprocessing.text import Tokenizer
  from keras.preprocessing.sequence import pad_sequences
  from sklearn.model_selection import train_test_split
  import tensorflow as tf
  from keras.layers import Dense, LSTM, Flatten, Embedding, Dropout , Activation, GRU, Flatten, Input, Bidirectional, GlobalMaxPool1D, Convolution1D, TimeDistributed, Bidirectional
  from keras.layers.embeddings import Embedding
  from keras.models import Model, Sequential
  from keras import initializers, regularizers, constraints, optimizers, layers

XGBoost (Alternatif Model) için Gerekli Kütüphaneler

  import pandas as pd
  import numpy as np
  from sklearn import metrics
  import keras
  import pickle
  from keras.preprocessing.text import Tokenizer
  from keras.preprocessing.sequence import pad_sequences
  from sklearn.model_selection import train_test_split
  from vecstack import stacking
  from xgboost import XGBClassifier
  from sklearn.ensemble import ExtraTreesClassifier
  from sklearn.linear_model import LogisticRegression
  from sklearn.svm import SVC
  from sklearn.metrics import accuracy_score

Web Sitesi için Gerekli Kütüphaneler

  import pickle
  import os
  from tensorflow.python.keras.preprocessing.text import Tokenizer
  from tensorflow.python.keras.preprocessing.sequence import pad_sequences
  from keras.models import load_model
  from keras.models import Model, Sequential
  import re
  import tensorflow as tf
  from keras.layers import Dense, LSTM, Flatten, Embedding, Dropout , Activation, GRU, Flatten, Input, Bidirectional, GlobalMaxPool1D, Convolution1D, TimeDistributed, Bidirectional
  from keras.layers.embeddings import Embedding
  from flask_wtf import FlaskForm
  from flask import Flask, request, render_template,redirect
  from wtforms.validators import DataRequired
  import pandas as pd
  from os.path import join
  import string
  import regex

Performans Sonuçları

Bidirectional LSTM

	Precision	Recall	F1 Score
0	0.9493	0.8679	0.9068
1	0.8783	0.9536	0.9144

Accuracy: 0.910752193340

XBGoost

	Precision	Recall	F1 Score
0	0.73	0.74	0.73
1	0.75	0.73	0.73

Accuracy: 0.73

DogrusuNe (Flask API)

Kaynakça

Babüroğlu, Barış & Tekerek, Adem & Tekerek, Mehmet. (2019). Development of Deep Learning Based Natural Language Processing Model for Turkish.
Çürük, Yasemin. (2019). BİRLEŞİK SÖZCÜK MÜ ÖBEK Mİ?. 23. 255-2981.
Karacaoğlu, Mehmet Önder. (2010). BİRLEŞİK KELİMELERİN YAZIMI Yüksek Lisans Tezi.

DogrusuNe / DogrusuNe_