🎬 Sentify: Translation-Augmented Sentiment Analysis (RoBERTa)

Sentify, film yorumlarının ardındaki duyguyu (Pozitif, Negatif, Nötr) keşfeden, yerel dil kısıtlarını aşmak için çeviri katmanıyla güçlendirilmiş dağıtık bir yapay zeka sistemidir. Geleneksel Makine Öğrenmesi yöntemlerinden modern Transformer mimarilerine uzanan model karşılaştırmalarını ve bu modellerin Microservice mimarisiyle canlıya alınmasını kapsar.

---

🚀 Canlı Demo (Live Demo)

Uygulamayı tarayıcınızda test edin:
👉 Sentify: AI Duygu Analizi

---

📌 Proje Genel Bakış

Bu proje, bir NLP modelinin sadece eğitilmesini değil, gerçek dünya kısıtları (RAM, Dil bariyeri, Sınıf dengesizliği) altında nasıl yüksek performanslı bir ürüne dönüştürüleceğini odak noktasına alır.

Öne Çıkan Mühendislik Adımları:

• Hybrid Inference: Türkçe morfolojik karmaşıklığı aşmak için Translation + RoBERTa mimarisi.
• 3-Class Sentiment: Pozitif ve Negatifin yanısıra "Nötr" duyguları da ayırt edebilen twitter-roberta-base-sentiment entegrasyonu.
• Microservice Architecture: Frontend (Render) ve Backend (Hugging Face) birimlerinin birbirinden bağımsız ölçeklenmesi.
• Containerization: Tüm sistemin Dockerize edilerek ortam bağımsız hale getirilmesi.
• API Optimization: FastAPI ile asenkron istek yönetimi ve "Lazy Loading" model yükleme stratejisi.
• Resource Optimization: Kısıtlı bulut kaynaklarında (512MB RAM) büyük modelleri çalıştırmak için mimari çözümler.

---

🧠 Dağıtık Sistem Mimarisi (Architecture)

Proje, yüksek bellek gereksinimi duyan derin öğrenme modellerini optimize etmek amacıyla Distributed (Dağıtık) bir yapıda kurgulanmıştır:

1. Frontend (UI): Render üzerinde koşan Streamlit uygulaması. Kullanıcı dostu arayüz ve asenkron API istek yönetimi sağlar.
2. Backend (API): Hugging Face Spaces üzerinde Docker konteynerında koşan FastAPI. 16GB RAM desteği ile BERT modelini saniyeler içinde yükler ve tahmin üretir.
3. Model Serving: Model, API tarafında "Lazy Loading" stratejisiyle yüklenerek sunucu başlangıç hızı optimize edilmiştir.

graph LR
A[Kullanıcı Input: 'Harikaydı'] --> B[Streamlit UI - Render]
B -- JSON Post --> C[FastAPI - HF Spaces]
C -- Translation Layer --> D[GoogleTrans: 'It was great']
D -- Inference --> E[RoBERTa Model]
E -- Result: Positive --> C
C -- Response --> B
B -- UI Output: Pozitif 😊 + Konfeti --> A

Loading

---

📚 Veri Seti

Bu projede, duygu analizi için dünya çapında standart kabul edilen IMDB Movie Reviews Dataset kullanılmıştır.

Veri Seti Özellikleri:

• 50.000 film yorumu.
• İkili (binary) duygu etiketleri (pozitif / negatif).
• Dengeli dağılım: 25.000 eğitim, 25.000 test örneği.

---

📊 Veri Analizi ve Görselleştirme (EDA)

Veri seti üzerinde yapılan ilk incelemeler, modelin öğrenme sürecini optimize etmek için kullanılmıştır.

Sınıf Dağılımı	Metin Uzunluğu Dağılımı

Kelime Bulutları (WordClouds)

En sık geçen kelimeler ile pozitif ve negatif kelime bulutları incelenmiştir.

Positive Word Cloud	Negative Word Cloud
	!

---

🧠 Geliştirilen Modeller ve Teknik Detaylar

A. Baseline: TF-IDF & Logistic Regression

Geleneksel bir yaklaşım olan Lojistik Regresyon ile %88.74 doğruluk elde edilmiştir.

En Pozitif Kelimeler	En Negatif Kelimeler

B. Deep Learning: Bi-LSTM & GloVe

Metinlerin ardışık yapısını kavramak için çift yönlü LSTM mimarisi kullanılmıştır. Stanford GloVe önceden eğitilmiş kelime vektörleri ile transfer learning uygulanmıştır.

C. Gelişmiş Mimari: BERT & RoBERTa (State-of-the-Art)

Proje sürecinde iki temel Transformer yaklaşımı uygulanmıştır:

1. BERT Fine-Tuning: bert-base-uncased modeli IMDB verisiyle %92.4 doğruluk vermiştir.
2. Translation-Augmented RoBERTa: Canlı sistemde, yerel dil (Türkçe) desteği ve 3 sınıflı (P/N/Nötr) analiz yeteneği için cardiffnlp/twitter-roberta-base-sentiment modeli tercih edilmiştir.

---

📈 Model Performans Karşılaştırması

Proje kapsamında eğitilen tüm modellerin başarı oranları aşağıda karşılaştırılmıştır. Modern Transformer mimarilerinin (BERT) klasik ve LSTM tabanlı yöntemlere üstünlüğü net bir şekilde gözlenmektedir.

Model Başarı Karşılaştırması

Model	Doğruluk (Accuracy)	Dil Desteği	Duygu Sınıfları
Lojistik Regresyon	%88.7	İngilizce	2 (P/N)
Bi-LSTM (GloVe)	%88.1	İngilizce	2 (P/N)
BERT (Fine-tuned)	%92.4	İngilizce	2 (P/N)
RoBERTa (Hybrid)	%90.2+	TR / EN	3 (P/N/Nötr)

---

🛠 Kullanılan Teknolojiler

Kategori	Araçlar
Dil ve ML	Python 3.12, PyTorch, Transformers
NLP & Çeviri	NLTK, Googletrans API
Backend API	FastAPI, Uvicorn
Frontend UI	Streamlit
DevOps	Docker, Docker Compose, Hugging Face Spaces, Render

---

🚀 Deployment

Sistem, iki aşamalı bir mikroservis mimarisiyle ayağa kaldırılmıştır:

1. Backend (FastAPI): Model, /predict endpoint'i üzerinden JSON tabanlı tahminler sunar. Hugging Face Spaces üzerinde Docker konteynerında koşturulur.
2. Frontend (Streamlit): Kullanıcı etkileşimini sağlayan, asenkron yapıda çalışan şık arayüz. Render üzerinde host edilmektedir.

Pozitif Sonuç	Negatif Sonuç	Nötr Sonuç

---

🛠️ Teknik Zorluklar ve Çözümler

1. Bellek Yönetimi (RAM Management): Ücretsiz bulut servislerindeki 512MB RAM limiti nedeniyle model yükleme sorunları aşılmak için Backend ve Frontend ayrıştırılmış (Decoupling), model API birimi yüksek RAM sunan HF Spaces'e taşınmıştır.

2. Dil Bariyeri ve Morfoloji: Türkçe'deki karmaşık çekim eklerini (örn: "harikaydı") doğrudan işlemekte zorlanan modeller yerine, metinleri İngilizceye normalize eden bir Çeviri Katmanı eklenerek sistemin dilden bağımsız çalışması sağlanmıştır.

3. 3-Sınıflı Analiz: İkili (P/N) modellerin kararsız kaldığı durumları yönetmek için 3 sınıflı Twitter-RoBERTa mimarisine geçilerek "Nötr" alanı tanımlanmıştır.

---

⚙️ Kurulum ve Çalıştırma

Projeyi yerelinizde Docker ile saniyeler içinde çalıştırabilirsiniz:

1. Depoyu klonlayın:

git clone [https://github.com/beyzahiz/sentiment-analysis-nlp.git](https://github.com/beyzahiz/sentiment-analysis-nlp.git)
cd sentiment-analysis-nlp

2. Docker Compose ile ayağa kaldırın:

docker-compose up --build

İletişim

Linkedin: linkedin.com/in/beyzahiz