turkish-tokenizer 1.0.4

A high-performance Turkish tokenizer based on linguistic rules and BPE, written in Rust.

Turkish Tokenizer

PyPI version | Python 3.8+ | License: MIT

turkish-tokenizer, Türkçe doğal dil işleme görevleri için geliştirilmiş, dilbilim kurallarına (ünlü uyumu, ünsüz yumuşaması vb.) sadık kalan, yüksek performanslı ve hibrid (Rule-Based + BPE) bir tokenizer kütüphanesidir.

Rust ile yeniden yazılarak Python versiyonuna kıyasla ~100x performans artışı sağlanmıştır.

Özellikler

• Hibrid Yapı: Kök bulma ve ek analizi ile BPE (Byte Pair Encoding) yöntemlerini birleştirir.
• Dilbilimsel Doğruluk:
  • Ünlü uyumu (Vowel Harmony)
  • Ünsüz yumuşaması (Consonant Softening)
  • Ünsüz düşmesi ve daralması
• Yüksek Performans: Rust tabanlı motor ile milisaniyeler içinde büyük metinleri tokenize eder.
• Tam Uyumluluk: Orijinal Python implementasyonu ile %99.8 oranında çıktı benzerliği.

Kurulum

PyPI üzerinden en güncel versiyonu indirebilirsiniz:

pip install turkish-tokenizer

Hızlı Başlangıç

Tokenizasyon (Encode)

Metinleri modelin anlayabileceği ID listelerine dönüştürmek için:

from turkish_tokenizer import TurkishTokenizer

# Tokenizer'ı başlat
tokenizer = TurkishTokenizer()

text = "Bugün hava çok güzel."
tokens = tokenizer.encode(text)

print(f"Text: {text}")
print(f"Token IDs: {tokens}")
# Çıktı: [2, 0, 1234, 5678, ...]

Geri Dönüştürme (Decode)

ID listelerini tekrar okunabilir metne dönüştürmek için. Decoder, kelimelerin kök ve eklerini birleştirirken ses olaylarını otomatik olarak uygular.

decoded_text = tokenizer.decode(tokens)
print(f"Decoded: {decoded_text}")
# Çıktı: Bugün hava çok güzel.

Gelişmiş Kullanım

Tokenizer, cümleleri parçalara ayırırken (tokenization) ve birleştirirken (decoding) bağlama duyarlı işlemler yapar.

# Örnek: Yumuşama ve Ünlü Uyumu
ids = tokenizer.encode("Kitabı bana ver")
# "Kitap" + "ı" -> "Kitabı" (p -> b yumuşaması)

decoded = tokenizer.decode(ids)
assert decoded == " Kitabı bana ver"

Performans

Bu kütüphane Rust dili (pyo3 ve maturin) kullanılarak geliştirilmiştir. Büyük veri setlerinde (örneğin Cosmos Corpus) saniyede yüz binlerce kelimeyi işleyebilir.

Lisans

Bu proje MIT lisansı ile lisanslanmıştır.