SadedeGel: A General Purpose NLP library for Turkish

SadedeGel is initially designed to be a library for unsupervised extraction-based news summarization using several old and new NLP techniques.

Development of the library started as a part of Açık Kaynak Hackathon Programı 2020 in which SadedeGel was the 2nd place winner.

We are keeping on adding features with the goal of becoming a general purpose open source NLP library for Turkish language.

💫 Version 0.21 out now! Check out the release notes here.

📖 Documentation

Documentation
Contribute	How to contribute to the sadedeGel project and code base.

💬 Where to ask questions

The SadedeGel project is initialized by @globalmaksimum AI team members @dafajon, @askarbozcan, @mccakir, @husnusensoy and @ertugruldemir.

Other community maintainers

• @doruktiktiklar contributes TFIDF Summarizer

Type	Platforms
🚨 Bug Reports	GitHub Issue Tracker
🎁 Feature Requests	GitHub Issue Tracker
Questions	Slack Workspace

Features

• Several datasets

  • Basic corpus

    • Raw corpus (sadedegel.dataset.load_raw_corpus)
    • Sentences tokenized corpus (sadedegel.dataset.load_sentences_corpus)
    • Human annotated summary corpus (sadedegel.dataset.load_annotated_corpus)

  • Extended corpus

    • Raw corpus (sadedegel.dataset.extended.load_extended_raw_corpus)
    • Sentences tokenized corpus (sadedegel.dataset.extended.load_extended_sents_corpus)

  • TsCorpus(sadedegel.dataset.tscorpus)

    • Thanks to Taner Sezer, over 300K documents from tscorpus is also a part of sadedegel. Allowing us to
      • Evaluate our tokenizers (word tokenizers)
      • Build our prebuilt news category classifier

  • Various domain specific datasets (e-commerce, social media, tourism etc.)

• ML based sentence boundary detector (SBD) trained for Turkish language

• Sadedegel Extractive Summarizers

  • Various baseline summarizers

    • Position Summarizer
    • Length Summarizer
    • Band Summarizer
    • Random Summarizer

  • Various unsupervised/supervised summarizers

    • ROUGE1 Summarizer
    • TextRank Summarizer
    • Cluster Summarizer
    • Lexrank Summarizer
    • BM25 Summarizer
    • TfIdf Summarizer

• Various Word Tokenizers

  • BERT Tokenizer - Trained tokenizer (pip install sadedegel[bert])
  • Simple Tokenizer - Regex Based
  • IcU Tokenizer (default by 0.19)

• Various Sparse and Dense Embeddings implemented for Sentences and Document objects.

  • BERT Embeddings (pip install sadedegel[bert])
  • TfIdf Embeddings

• Word Vectors for your tokens (pip install sadedegel[w2v])

• A sklearn compatible Feature Extraction API

• Word Vectors for your tokens (pip install sadedegel[w2v])

• A sklearn compatible Feature Extraction API

• [Experimental] Prebuilt models for several common NLP tasks (sadedegel.prebuilt).

from sadedegel.prebuilt import news_classification

model = news_classification.load()

doc_str = ("Bilişim sektörü, günlük devrimlerin yaşandığı ve hızına yetişilemeyen dev bir alan haline geleli uzun bir zaman olmadı. Günümüz bilgisayarlarının tarihi, yarım asırı yeni tamamlarken; yaşanan gelişmeler çok "
"daha büyük ölçekte. Türkiye de bu gelişmelere 1960 yılında Karayolları Umum Müdürlüğü (şimdiki Karayolları Genel Müdürlüğü) için IBM’den satın aldığı ilk bilgisayarıyla dahil oldu. IBM 650 Model I adını taşıyan bilgisayarın "
"satın alınma amacı ise yol yapımında gereken hesaplamaların daha hızlı yapılmasıydı. Türkiye’nin ilk bilgisayar destekli karayolu olan 63 km uzunluğundaki Polatlı - Sivrihisar yolu için yapılan hesaplamalar IBM 650 ile 1 saatte yapıldı. "
"Daha öncesinde 3 - 4 ayı bulan hesaplamaların 1 saate inmesi; teknolojinin, ekonomik ve toplumsal dönüşüme büyük etkide bulunacağının habercisiydi.")

y_pred = model.predict([doc_str])

📖 For more details, refer to sadedegel.ai

Install sadedeGel

• Operating system: macOS / OS X · Linux · Windows (Cygwin, MinGW, Visual Studio)
• Python version: 3.6+ (only 64 bit)
• Package managers: pip

pip

Using pip, sadedeGel releases are available as source packages and binary wheels.

pip install sadedegel

or update now

pip install sadedegel -U

When using pip it is generally recommended to install packages in a virtual environment to avoid modifying system state:

python -m venv .env
source .env/bin/activate
pip install sadedegel

Vocabulary Dump

Certaing attributes of SadedeGel's NLP objects are dependent on shipped vocabulary dumps that are created over sadedegel.dataset.extened_corpus via each of the existing SadedeGel tokenizers. Those tokenizers are listed above. If you want to re-train a specific tokenizer's vocabulary with custom settings:

python -m sadedegel.bblock.cli build-vocabulary -t [bert|icu|simple] 

This will create a vocabulary dump using sadedegel.dataset.extended_corpus based on custom user settings.

For all options to customize your vocab dump refer to:

python -m sadedegel.bblock.cli build-vocabulary --help 

Optional

To keep core sadedegel as light as possible we decomposed our initial monolitic design.

To enable BERT embeddings and related capabilities use

pip install sadedegel[bert]

We ship 100-dimension word vectors with the library. If you need to re-train those word embeddings you can use

python -m sadedegel.bblock.cli build-vocabulary -t [bert|icu|simple] --w2v

--w2v option requires w2v option to be installed. To install option use

This will create a vocabulary dump with keyed vectors of arbitrary size using sadedegel.dataset.extended_corpus based on custom user settings.

pip install sadedegel[w2v]

Quickstart with SadedeGel

To load SadedeGel, use sadedegel.load()

from sadedegel import Doc
from sadedegel.dataset import load_raw_corpus
from sadedegel.summarize import Rouge1Summarizer

raw = load_raw_corpus()

d = Doc(next(raw))

summarizer = Rouge1Summarizer()
summarizer(d, k=5)

To trigger sadedeGel NLP pipeline, initialize Doc instance with a document string.

Access all sentences using Python built-in list function.

from sadedegel import Doc

doc_str = ("Bilişim sektörü, günlük devrimlerin yaşandığı ve hızına yetişilemeyen dev bir alan haline geleli uzun bir zaman olmadı. Günümüz bilgisayarlarının tarihi, yarım asırı yeni tamamlarken; yaşanan gelişmeler çok "
"daha büyük ölçekte. Türkiye de bu gelişmelere 1960 yılında Karayolları Umum Müdürlüğü (şimdiki Karayolları Genel Müdürlüğü) için IBM’den satın aldığı ilk bilgisayarıyla dahil oldu. IBM 650 Model I adını taşıyan bilgisayarın "
"satın alınma amacı ise yol yapımında gereken hesaplamaların daha hızlı yapılmasıydı. Türkiye’nin ilk bilgisayar destekli karayolu olan 63 km uzunluğundaki Polatlı - Sivrihisar yolu için yapılan hesaplamalar IBM 650 ile 1 saatte yapıldı. "
"Daha öncesinde 3 - 4 ayı bulan hesaplamaların 1 saate inmesi; teknolojinin, ekonomik ve toplumsal dönüşüme büyük etkide bulunacağının habercisiydi.")

doc = Doc(doc_str)

list(doc)

['Bilişim sektörü, günlük devrimlerin yaşandığı ve hızına yetişilemeyen dev bir alan haline geleli uzun bir zaman olmadı.',
 'Günümüz bilgisayarlarının tarihi, yarım asırı yeni tamamlarken; yaşanan gelişmeler çok daha büyük ölçekte.',
 'Türkiye de bu gelişmelere 1960 yılında Karayolları Umum Müdürlüğü (şimdiki Karayolları Genel Müdürlüğü) için IBM’den satın aldığı ilk bilgisayarıyla dahil oldu.',
 'IBM 650 Model I adını taşıyan bilgisayarın satın alınma amacı ise yol yapımında gereken hesaplamaların daha hızlı yapılmasıydı.',
 'Türkiye’nin ilk bilgisayar destekli karayolu olan 63 km uzunluğundaki Polatlı - Sivrihisar yolu için yapılan hesaplamalar IBM 650 ile 1 saatte yapıldı.',
 'Daha öncesinde 3 - 4 ayı bulan hesaplamaların 1 saate inmesi; teknolojinin, ekonomik ve toplumsal dönüşüme büyük etkide bulunacağının habercisiydi.']

Access sentences by index.

doc[2]

Türkiye de bu gelişmelere 1960 yılında Karayolları Umum Müdürlüğü (şimdiki Karayolları Genel Müdürlüğü) için IBM’den satın aldığı ilk bilgisayarıyla dahil oldu.

SadedeGel Server

In order to integrate with your applications we provide a quick summarizer server with sadedeGel.

python3 -m sadedegel.server 

SadedeGel Server on Heroku

SadedeGel Server is hosted on free tier of Heroku cloud services.

• OpenAPI Documentation
• Redoc Documentation
• Redirection to sadedegel.ai

PyLint, Flake8 and Bandit

sadedeGel utilized pylint for static code analysis, flake8 for code styling and bandit for code security check.

To run all tests

make lint

Run tests

sadedeGel comes with an extensive test suite. In order to run the tests, you'll usually want to clone the repository and build sadedeGel from source. This will also install the required development dependencies and test utilities defined in the requirements.txt.

Alternatively, you can find out where sadedeGel is installed and run pytest on that directory. Don't forget to also install the test utilities via sadedeGel's requirements.txt:

make test

📓 Kaggle

• Check comprehensive notebook of Kaggle Master Ertugrul Demir explaining the capabilities of sadedegel on Turkish clickbate dataset

Youtube Channel

Some videos from sadedeGel YouTube Channel

SkyLab YTU Webinar Playlist

References

Special Thanks

• Starlang Software for their contribution to open source Turkish NLP development and corpus preperation.

• Olcay Taner Yıldız, Ph.D., one of our refrees in Açık Kaynak Hackathon Programı 2020, for helping our development on sadedegel.

• Taner Sezer for his contribution on tokenization corpus and labeled news corpus.

Our Community Contributors

We would like to thank our community contributors for their bug/enhancement requests and questions to make sadedeGel better everyday

• Burak Işıklı

Software Engineering

• Special thanks to spaCy project for their work in showing us the way to implement a proper python module rather than merely explaining it.

  • We have borrowed many document and style related stuff from their code base 😄

• There are a few free-tier service providers we need to thank:

  • GitHub for
    • Hosting our projects.
    • Making it possible to collobrate easily.
    • Automating our SLM via Github Actions
  • Google Cloud Google Storage Service for providing low cost storage buckets making it possible to store sadedegel.dataset.extended data.
  • Heroku for hosting sadedeGel Server in their free tier dynos.
  • CodeCov for allowing us to transparently share our test coverage
  • PyPI for allowing us to share sadedegel with you.
  • binder for
    • Allowing us to share our example notebooks
    • Hosting our learn by example boxes in sadedegel.ai

Machine Learning (ML), Deep Learning (DL) and Natural Language Processing (NLP)

• Resources on Extractive Text Summarization:

  • Leveraging BERT for Extractive Text Summarization on Lectures by Derek Miller
  • Fine-tune BERT for Extractive Summarization by Yang Liu

• Other NLP related references

  • ROUGE: A Package for Automatic Evaluation of Summaries
  • Speech and Language Processing, Second Edition