app.py

import gradio as gr
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
import torch
import re
from collections import Counter

# LOAD MODEL
MODEL_ID = "Sengil/t5-turkish-aspect-term-extractor"
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")

tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)
model = AutoModelForSeq2SeqLM.from_pretrained(MODEL_ID).to(DEVICE)
model.eval()

TURKISH_STOPWORDS = {
    "ve", "çok", "ama", "bir", "bu", "daha", "gibi", "ile", "için",
    "de", "da", "ki", "o", "şu", "bu", "sen", "biz", "siz", "onlar"
}

def is_valid_aspect(word):
    word = word.strip().lower()
    return (
        len(word) > 1 and
        word not in TURKISH_STOPWORDS and
        word.isalpha()
    )

def extract_and_rank_aspects(text, max_tokens=64, beams=5):
    inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True).to(DEVICE)

    with torch.no_grad():
        outputs = model.generate(
            input_ids=inputs["input_ids"],
            attention_mask=inputs["attention_mask"],
            max_new_tokens=max_tokens,
            num_beams=beams,
            num_return_sequences=beams,
            early_stopping=True
        )

    all_predictions = [
        tokenizer.decode(output, skip_special_tokens=True)
        for output in outputs
    ]

    all_terms = []
    for pred in all_predictions:
        candidates = re.split(r"[;,–—\-]|(?:\s*,\s*)", pred)
        all_terms.extend([w.strip().lower() for w in candidates if is_valid_aspect(w)])

    ranked = Counter(all_terms).most_common()
    return ranked

def process_text(text):
    if not text.strip():
        return "Lütfen analiz edilecek bir metin girin."
    
    try:
        ranked_aspects = extract_and_rank_aspects(text)
        
        if not ranked_aspects:
            return "Metinde herhangi bir aspect term bulunamadı."
        
        result = "🎯 **Bulunan Aspect Terimler:**\n\n"
        for i, (term, score) in enumerate(ranked_aspects, 1):
            result += f"{i}. **{term.title()}** - Skor: {score}\n"
        
        return result
    except Exception as e:
        return f"Hata oluştu: {str(e)}"

# Gradio Interface
with gr.Blocks(title="🇹🇷 Türkçe Aspect Term Extraction", theme=gr.themes.Soft()) as demo:
    gr.HTML("""
    <div style="text-align: center; margin-bottom: 20px;">
        <h1>🇹🇷 Türkçe Aspect Term Extraction</h1>
        <p>T5 tabanlı model ile Türkçe metinlerden aspect terimleri çıkarın</p>
        <p><i>Model: Sengil/t5-turkish-aspect-term-extractor</i></p>
    </div>
    """)
    
    with gr.Row():
        with gr.Column():
            text_input = gr.Textbox(
                label="📝 Analiz edilecek metin",
                placeholder="Örnek: Artılar: Göl manzarasıyla harika bir atmosfer, Ipoh'un her zaman sıcak olan havası nedeniyle iyi bir klima olan restoran...",
                lines=5,
                max_lines=10
            )
            
            analyze_btn = gr.Button("🔍 Aspect Terimleri Çıkar", variant="primary", size="lg")
        
        with gr.Column():
            output = gr.Markdown(
                label="📊 Sonuçlar",
                value="Sonuçlar burada görünecek..."
            )
    
    # Example texts
    gr.HTML("<h3>📋 Örnek Metinler:</h3>")
    
    examples = [
        ["Artılar: Göl manzarasıyla harika bir atmosfer, Ipoh'un her zaman sıcak olan havası nedeniyle iyi bir klima olan restoran, iyi ve hızlı hizmet sunan garsonlar, temassız ödeme kabul eden e-cüzdan, ücretsiz otopark ama sıcak güneş altında açık, yemeklerin tadı güzel."],
        ["Bu otelin konumu mükemmel, personel çok yardımısever. Kahvaltı çeşitliliği iyi ancak oda temizliği yetersiz. WiFi hızı da çok yavaş."],
        ["Ürünün kalitesi harika, kargo hızlı geldi. Fiyat biraz yüksek ama memnunum. Müşteri hizmeti de gayet iyi."]
    ]
    
    gr.Examples(
        examples=examples,
        inputs=[text_input],
        outputs=[output],
        fn=process_text,
        cache_examples=False
    )
    
    analyze_btn.click(
        fn=process_text,
        inputs=[text_input],
        outputs=[output]
    )

if __name__ == "__main__":
    demo.launch()