POS Tagging (Sözcük Türü Etiketleme)

#nlp #sözdizimi #dil-işleme #etiketleme

POS Tagging (Sözcük Türü Etiketleme), bir metindeki her kelimenin isim, fiil, sıfat gibi dilbilgisel kategorisini otomatik olarak belirleyen NLP tekniğidir.

POS Tagging (Part-of-Speech Tagging), bir cümledeki her kelimenin dilbilgisel rolünü — isim, fiil, sıfat, zarf, zamir, edat ve bağlaç gibi kategorilere — otomatik olarak atayan doğal dil işleme (NLP) tekniğidir. Türkçede 'sözcük türü etiketleme' olarak da bilinen bu işlem, NLP ardışık düzenlerinin (pipeline) temel ön işleme adımlarından biridir. POS etiketleme, sözcüklerin anlamını bağlama göre belirlemek için kritik bir öneme sahiptir. İngilizcede 'bank' kelimesi hem 'banka' (isim) hem de 'bir hesaba para yatırmak' (fiil) anlamına gelebilir; POS etiketi bu tür yapısal belirsizlikleri çözerek sonraki NLP görevlerinin daha doğru çalışmasını sağlar. Türkçe gibi eklemeli dillerde (agglutinative languages) tek bir kelime kökü çok sayıda ek alabildiğinden, sözcük türü etiketlemesi morfolojik analiz ile birleşik yürütülür. Teknik açıdan POS etiketleme, kural tabanlı yöntemlerden (1960'lar, ENGTWOL gibi) istatistiksel modellere (1980-2000'ler: Hidden Markov Models, CRF), ardından derin öğrenme tabanlı mimarilere (BiLSTM, 2014+; BERT, 2018+) evrilmiştir. Modern BERT tabanlı POS etiketleyiciler, İngilizce için %98'in üzerinde doğruluk oranı elde ederken Türkçe için de %97+ başarı oranına ulaşan çok dilli modeller mevcuttur. POS etiketleme, Adlandırılmış Varlık Tanıma (NER), makine çevirisi, duygu analizi, sözdizimsel ayrıştırma (dependency parsing) ve metin okuma sentezi (TTS) gibi NLP görevlerinin temelinde yer alır. Büyük dil modelleri (LLM'ler) bu bilgiyi örtük olarak öğrenmiş olsa da açık POS etiketleme; yorumlanabilirlik, az kaynaklı dil çalışmaları ve özel alan NLP sistemleri için önemini korumaktadır.

POS Tagging Nedir?

POS Tagging (Part-of-Speech Tagging / Sözcük Türü Etiketleme), bir cümledeki her kelimeye dilbilgisel kategorisini gösteren bir etiket atayan NLP tekniğidir. Temel kategoriler şunlardır: isim (NOUN), fiil (VERB), sıfat (ADJ), zarf (ADV), zamir (PRON), edat (ADP/ADP), bağlaç (CONJ), belirteç (DET) ve noktalama işareti (PUNCT). Örnek: 'Kedi hızlı koştu.' cümlesinde 'Kedi' → NOUN, 'hızlı' → ADJ, 'koştu' → VERB etiketi alır. Bu süreç, metnin sözdizimsel yapısını anlayarak üst düzey NLP görevlerini (anlam analizi, çeviri, özetleme) mümkün kılar.

Nasıl Çalışır: Yöntemler ve Modeller

  • check_circle Kural Tabanlı Yöntemler (1960-1980'ler): Elle yazılmış dilbilgisi kuralları ve sözlük başvurusuna dayanır. Hız ve şeffaflık avantajı sunar; ancak kapsam dışı kelimeler ve dil değişimlerine karşı kırılgandır. ENGTWOL ve IDIOMTAG gibi erken sistemler bu yaklaşımı kullanmıştır.
  • check_circle İstatistiksel Yöntemler (1980-2010'lar): Hidden Markov Models (HMM) ve Conditional Random Fields (CRF), büyük işaretlenmiş (annotated) derlemlerden olasılıksal örüntüler öğrenir. Penn Treebank gibi veri setlerinin üretilmesiyle yaygınlaşmış; CRF tabanlı sistemler %97 doğruluğa ulaşmıştır.
  • check_circle Derin Öğrenme Yöntemleri (2014+): BiLSTM-CRF mimarileri, hem ileri hem geri bağlamı yakalayarak belirgin bir doğruluk artışı sağladı. 2018 sonrasında BERT ve transformer tabanlı modeller bağlamsal word embedding'ler aracılığıyla %98'i aşan doğruluk oranlarına ulaştı. spaCy, NLTK ve Stanza gibi kütüphaneler bu modelleri kullanıma hazır sunar.

Evrensel POS (UPOS) Etiket Seti

  • check_circle Universal Dependencies (UD) — 17 Etiket: Diller arası tutarlılık için tasarlanmış standarttır: NOUN, VERB, ADJ, ADV, PRON, DET, ADP, AUX, CCONJ, SCONJ, PART, INTJ, PUNCT, SYM, NUM, PROPN, X. Türkçe dahil 100'den fazla dilde derleme mevcuttur.
  • check_circle Penn Treebank (PTB) — 45 Etiket: İngilizce odaklı ve daha ayrıntılı set: NN (tekil isim), NNS (çoğul isim), VB (fiil tabanı), VBD (geçmiş zaman fiili), JJ (sıfat) gibi. NLP yarışmalarında İngilizce kıyaslamalar için yaygın kullanılır.
  • check_circle Türkçe POS Etiketleme: BOUN Treebank: Boğaziçi Üniversitesi'nin Türkçe UD derlemi, BERT tabanlı Türkçe POS etiketleyicilerin eğitiminde temel referans olarak kullanılır. Türkçe'nin zengin morfolojisi nedeniyle etiketleme genellikle morfolojik bölümleme (morphological segmentation) adımıyla birleştirilir.

Uygulama Alanları

  • check_circle Adlandırılmış Varlık Tanıma (NER): NER sistemleri, kişi/yer/kuruluş adlarını bulmak için POS etiketlerini ön filtre olarak kullanır: isim öbeğindeki (noun phrase) PROPN etiketleri aday varlıkları işaret eder.
  • check_circle Makine Çevirisi: Kaynak dildeki sözcük türleri, hedef dilde doğru dilbilgisi yapısının oluşturulmasına rehberlik eder. Özellikle Türkçe-İngilizce çevirisinde fiil zaman çatıları ve sıfat konumları POS bilgisiyle çözümlenir.
  • check_circle Duygu Analizi ve Metin Madenciliği: Sıfat (ADJ) ve zarf (ADV) etiketleri, duygu taşıyan sözcükleri hızlıca tespit eder. 'Harikal-ADJ bir ürün' ile 'berbat-ADJ bir deneyim' gibi kalıplar kural tabanlı duygu sistemlerinde doğrudan kullanılır.
  • check_circle Metin Okuma Sentezi (TTS): TTS sistemleri, doğal prozodi üretmek için POS etiketlerini kullanır: fiiller ile isimler farklı tonlama örüntüleri alır, bağlaçlar ise konuşmada zayıf vurgu alır.

Türkçe'de POS Etiketlemenin Zorlukları

Türkçe, sözcük kökü üzerine çok sayıda ek alabilen eklemeli (agglutinative) bir dil olduğundan İngilizce gibi analitik dillere yönelik tasarlanmış POS etiketleyiciler doğrudan uygulanamaz. 'gidebileceklerden' gibi tek bir kelime; git (kök) + -ebil (yeterlilik) + -ecek (gelecek zaman) + -ler (çoğul) + -den (çıkma hali) eklerini barındırır ve POS etiketi ancak morfolojik ayrıştırmanın ardından atanabilir. Bu nedenle Türkçe NLP sistemleri genellikle 'morfologial analiz + POS tagging' çift aşamalı boru hattı (pipeline) kullanır. BERTurk, mBERT ve XLM-R gibi çok dilli transformer modelleri bu süreci tek adıma indirgeyen yaklaşımlar sunmaktadır; ancak düşük kaynaklı (low-resource) Türkçe alt alanlar için ince ayar (fine-tuning) hâlâ gerekmektedir.

LLM Çağında POS Tagging'in Rolü

GPT-4, Claude ve Gemini gibi büyük dil modelleri, ön eğitim sürecinde POS bilgisini örtük olarak öğrenir; bu nedenle modern LLM uygulamalarında ayrı bir POS etiketleme adımına nadiren gerek duyulur. Bununla birlikte açık POS etiketleme; yorumlanabilir NLP sistemleri (denetim ve uyum gerektiren uygulamalar), az kaynaklı dil araştırmaları, gerçek zamanlı kısıtlı ortamlar (küçük gömülü cihazlar) ve eğitim verisi üretimi gibi alanlarda değerini korumaktadır. spaCy, Stanford NLP ve Stanza gibi açık kaynak kütüphaneler, ayrıntılı POS analizi için Türkçe dahil pek çok dili desteklemektedir.

Sık Sorulan Sorular

  • check_circle POS Tagging ile NER arasındaki fark nedir? POS Tagging her kelimeye dilbilgisel kategori atar (isim, fiil, sıfat vb.), NER ise belirli öbekler veya tüm ifadeleri anlamsal sınıflara (kişi, yer, kuruluş) atar. NER genellikle POS etiketlerini bir ön adım olarak kullanır.
  • check_circle POS Tagging için hangi Python kütüphaneleri kullanılır? En yaygın seçenekler: spaCy (hız ve doğruluk açısından endüstri standardı), NLTK (eğitim ve prototipleme için), Stanza (Stanford NLP, Stanford'un UD modelleri, Türkçe desteği mevcut). Dönüşümcü tabanlı ince ayar için Hugging Face Transformers kullanılır.
  • check_circle Türkçe için hangi POS tagger önerilir? BERTurk tabanlı modeller (Hugging Face'de 'dbmdz/bert-base-turkish-uncased') ve Stanza'nın Türkçe modeli güncel seçenekler arasında öne çıkar. TRUBA corpus ve BOUN Treebank üzerinde ince ayar yapılmış modeller akademik çalışmalarda yaygındır.
  • check_circle POS Tagging yüzde kaç doğrulukla çalışır? İngilizce için BERT tabanlı sistemler Penn Treebank test setinde %98.5'i aşan doğruluk oranına ulaşır. Türkçe için en iyi modeller BOUN Treebank'ta %97'nin üzerinde F1 skoru elde eder; ancak özel alan (tıp, hukuk) metinleri bu oranı düşürebilir.
  • check_circle LLM'ler POS Tagging'i gereksiz kıldı mı? Büyük ölçüde evet, genel amaçlı uygulamalar için. LLM'ler POS bilgisini örtük olarak barındırır ve metin üretme/anlama görevleri için açık POS etiketlemeye ihtiyaç duymaz. Ancak yorumlanabilirlik, düşük kaynaklı dil araştırması veya hafif gömülü sistemler gerektiren durumlarda klasik POS tagger'lar hâlâ tercih edilir.