maske-kvkk-synth

Sentetik Türkçe kişisel veri (PII) tespit veri kümesi — KVKK odaklı, 9 varlık türü, 19 BIO etiketi, 10.000 cümle Synthetic Turkish PII detection dataset — KVKK-oriented, 9 entity types, 19 BIO labels, 10,000 sentences

Türkçe · English

🇹🇷 Türkçe

Özet

maske-kvkk-synth, Türkçe serbest metinde dokuz tür kişisel veriyi (PER, ORG, LOC, ADDR, TC_NO, IBAN, PHONE, PLATE, EMAIL) BIO şemasıyla etiketleyen, tamamen sentetik bir token sınıflandırma (NER) veri kümesidir. emi08/maske modelinin eğitim ve değerlendirme verisinin sentetik bileşenidir: model, bu veri kümesinin 8.000 satırlık train bölümünü 20.000 WikiANN-tr replay satırıyla karıştırarak eğitilmiş, test bölümü üretici içi kontrol olarak raporlanmıştır.

Gerçek kişisel veri içeren bir Türkçe veri kümesi, 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK) uyarınca paylaşılması pratikte olanaksızdır. Bu veri kümesi bu engeli tamamen programatik üretimle aşar: hiçbir satırda gerçek bir kişiye ait veri yoktur.

Etiket şeması

Etiket	Açıklama	Örnek
PER	Kişi adı	Ahmet Yılmaz, Ayşe Hanım
ORG	Kurum / şirket	Kolaykargo A.Ş.
LOC	Yer	Kadıköy, Ankara
ADDR	Açık adres	Bağdat Cad. No:12 D:3, Kadıköy/İstanbul
TC_NO	T.C. kimlik no (11 hane, sağlama toplamlı)	34628194872
IBAN	IBAN (TR + 26 hane, mod-97 geçerli)	TR33 0006 1005 1978 6457 8413 26
PHONE	Telefon	0532 123 45 67
PLATE	Araç plakası	34 ABC 123
EMAIL	E-posta adresi	ad.soyad@firma.com.tr

Her tür B-/I- önekleriyle temsil edilir; ner_tags alanı 19 sınıfın (18 + O) tamsayı indekslerini taşır (indeks ↔ ad eşlemesi yukarıdaki dataset_info bölümündeki names listesidir).

Alanlar

Alan	Tür	Açıklama
text	string	Ham cümle (özgün noktalama ve boşluklarla)
tokens	list[string]	Ön-tokenleştirilmiş dizge listesi; noktalama ve kesme işaretleri ayrı token olur (ör. Bursa'dan → Bursa, ', dan)
ner_tags	list[int] (ClassLabel)	tokens ile birebir hizalı BIO etiketleri

Örnek satır (train bölümünden)

{
  "text": "Müşteri temsilcisi notu: Kemal Aslan aradı, 44602633570 doğrulaması yapıldı, numarasını 0232 075 90 51 olarak güncelledi.",
  "tokens": ["Müşteri", "temsilcisi", "notu", ":", "Kemal", "Aslan", "aradı", ",", "44602633570", "doğrulaması", "yapıldı", ",", "numarasını", "0232", "075", "90", "51", "olarak", "güncelledi", "."],
  "ner_tags": [0, 0, 0, 0, 1, 2, 0, 0, 7, 0, 0, 0, 0, 11, 12, 12, 12, 0, 0, 0]
}

Çözümlendiğinde: Kemal Aslan → PER, 44602633570 → TC_NO, 0232 075 90 51 → PHONE.

Bölümler ve istatistikler

Bölüm	Satır	Varlık sayısı	Ortalama token	Aralık
train	8.000	18.520	28,6	7–55
validation	1.000	2.236	27,8	7–53
test	1.000	2.224	28,1	7–53

Satırların %92,7'si (train) en az bir varlık, %70,6'sı iki veya daha fazla farklı tür içerir; satır başına ortalama 2,31 varlık düşer.

Tür bazında varlık sayıları (doğrulanmış):

Tür	train	validation	test	Toplam
PER	4.088	503	495	5.086
ORG	904	117	120	1.141
LOC	2.288	282	268	2.838
ADDR	2.623	314	329	3.266
TC_NO	1.370	174	162	1.706
IBAN	1.617	195	204	2.016
PHONE	2.934	338	342	3.614
PLATE	1.580	183	176	1.939
EMAIL	1.116	130	128	1.374
Toplam	18.520	2.236	2.224	22.980

Üretim yöntemi

• Taşıyıcı cümleler: Varlık değerleri, günlük iş akışlarını andıran nötr şablon cümlelere (müşteri destek notları, ilan metinleri, kurum içi duyurular gibi) yerleştirilmiştir.
• Değerler programatik üretilmiştir: TC kimlik numaraları 11 haneli ve sağlama toplamı geçerli; IBAN'lar TR önekli ve mod-97 geçerli; telefonlar Türk mobil/sabit biçimlerinde; plakalar Türk plaka biçimindedir. Adlar, kurumlar ve adresler kurgusaldır.
• Bölümler arası değer ayrımı (doğrulandı): Biçimle belirlenen türlerin (TC_NO, IBAN, PHONE, PLATE, EMAIL, ADDR) değerleri validation/test bölümlerinde eğitimle %100 ayrışır (sıfır çakışma). PER/ORG/LOC ise sonlu havuzlardan örneklenir: eğitim bölümünde 1.647 farklı ad, 471 kurum, yalnızca 36 yer adı vardır; test PER değerlerinin ~%90'ı eğitimde de geçer.
• Bölüm içinde tekrar eden cümle yoktur; train ile validation/test arasında ~%6 oranında (63 / 60 satır) aynı metin çakışması vardır (şablon çakışması).

Kişisel ve Hassas Veri Beyanı

Bu veri kümesinde hiçbir gerçek kişinin verisi yoktur. TC kimlik numaraları sağlama toplamı geçerli ancak hiç verilmemiş numaralardır; IBAN'lar mod-97 geçerli ancak gerçek bir hesaba ait değildir; adlar, kurumlar, adresler, telefonlar, plakalar ve e-posta adresleri kurgusaldır. Veri kümesinin üretilmesi ve paylaşılması sırasında hiçbir gerçek veri toplanmamış veya işlenmemiştir.

Sınırlamalar ve Bilinen Önyargılar

• Üretici içi test: test bölümü, eğitim bölümüyle aynı şablon iskeletlerini paylaşır. Bu bölümdeki skorlar (ör. emi08/maske F1 = 1.0000) bağlantıların doğru kurulduğunu gösterir; gerçek dünya performansını ölçmez.
• Üretici bağımlılığı: Aynı model, farklı bir üretim hattından gelen Werea-KVKK-Bench'te F1 = 0.2617, 29 dokümanlık gerçek-metin başlangıç setinde F1 = 0.7805 almıştır — üreticiye özgü yapay izlerin taşındığını gösterir.
• Sonlu ad havuzları: PER/ORG/LOC değerleri sınırlı havuzlardan gelir (36 farklı yer adı) ve bölümler arasında paylaşılır.
• Kısa ve temiz metinler: 7–55 token; uzun belgeler, OCR gürültüsü ve gayri resmî yazım ölçülmemiştir.
• Etiket uzayı eksik: VKN (vergi kimlik no), pasaport, IP, doğum tarişi, sağlık verisi vb. özel kategori türleri yoktur.
• İpucu yoğunluğu: Varlıklar çoğunlukla sözcüksel ipucu taşıyan bağlamlarda geçer ("plakalı", "numarası"); çıplak anılımlar az temsil edilir.
• Kapsam dışı: Bu veri kümesiyle eğitilen modeller tek başına KVKK uyumu sağlamaz; tespit ≠ anonimleştirme.

Hızlı Başlangıç

# pip install -U datasets
from datasets import load_dataset

ds = load_dataset("emi08/maske-kvkk-synth")
labels = ds["train"].features["ner_tags"].feature.names  # 19 etiket adı

def to_spans(example):
    spans, cur, cur_type = [], [], None
    for tok, tag in zip(example["tokens"], example["ner_tags"]):
        name = labels[tag]
        if name == "O":
            if cur:
                spans.append((cur_type, " ".join(cur)))
                cur, cur_type = [], None
            continue
        prefix, etype = name.split("-")
        if prefix == "B" or cur_type != etype:
            if cur:
                spans.append((cur_type, " ".join(cur)))
            cur, cur_type = [tok], etype
        else:
            cur.append(tok)
    if cur:
        spans.append((cur_type, " ".join(cur)))
    return spans

print(to_spans(ds["train"][44]))
# [('PER', 'Kemal Aslan'), ('TC_NO', '44602633570'), ('PHONE', '0232 075 90 51')]

Bilinen sonuçlar

Model	Değerlendirme	Micro F1
emi08/maske	Bu veri kümesinin test bölümü (üretici içi)	1.0000
emi08/maske	Werea-KVKK-Bench (çapraz üretici, 240 satır)	0.2617
emi08/maske	Gerçek metin başlangıç seti (29 doküman / 35 varlık)	0.7805

Tüm skorlar span-exact ölçütüyle hesaplanmıştır. Eğitim karışımı: 8.000 sentetik satır (bu veri kümesi) + 20.000 WikiANN-tr replay.

İlgili Kaynaklar

• emi08/maske — bu veri kümesiyle eğitilen 19 etiketli KVKK modeli
• emi08/maske-berturk-baseline, emi08/maske-modernbert-tr-bakeoff — kardeş modeller
• WikiANN (tr) — replay karışımının PER/ORG/LOC kaynağı
• Werea-KVKK-Bench — çapraz üretici değerlendirme bölümü

Atıf

@misc{maske_kvkk_synth_2026,
  author       = {emi08},
  title        = {maske-kvkk-synth: A Synthetic Turkish Personal Data (PII) Detection Dataset for KVKK Workflows},
  year         = {2026},
  url          = {https://huggingface.co/datasets/emi08/maske-kvkk-synth},
}

Lisans

Apache-2.0 (maske modeliyle uyumlu).

🇬🇧 English

Summary

maske-kvkk-synth is a fully synthetic token-classification (NER) dataset that labels nine types of personal data in Turkish free text (PER, ORG, LOC, ADDR, TC_NO, IBAN, PHONE, PLATE, EMAIL) with the BIO scheme. It is the synthetic component of the training and evaluation data of the emi08/maske model: the model was trained on this dataset's 8,000-row train split mixed with 20,000 WikiANN-tr replay rows, and its test split is reported as an in-generator sanity check.

A Turkish dataset containing real personal data is effectively impossible to share under Law No. 6698 on Protection of Personal Data (KVKK). This dataset removes that barrier through fully programmatic generation: no row contains any real person's data.

Label schema

Label	Meaning	Example
PER	Person name	Ahmet Yılmaz
ORG	Organization	Kolaykargo A.Ş.
LOC	Location	Kadıköy
ADDR	Street address	Bağdat Cad. No:12 D:3, Kadıköy/İstanbul
TC_NO	Turkish ID no (11 digits, checksum-valid)	34628194872
IBAN	IBAN (TR + 26 digits, mod-97 valid)	TR33 0006 1005 1978 6457 8413 26
PHONE	Phone	0532 123 45 67
PLATE	License plate	34 ABC 123
EMAIL	E-mail address	ad.soyad@firma.com.tr

Each type appears with B-/I- prefixes; ner_tags carries integer indices of the 19 classes (18 + O) — the index ↔ name mapping is the names list in the dataset_info block above.

Fields

Field	Type	Description
text	string	Raw sentence (original punctuation and spacing)
tokens	list[string]	Pre-tokenized token list; punctuation and apostrophes are split into separate tokens (e.g. Bursa'dan → Bursa, ', dan)
ner_tags	list[int] (ClassLabel)	BIO tags aligned 1:1 with tokens

Example row (from train)

{
  "text": "Müşteri temsilcisi notu: Kemal Aslan aradı, 44602633570 doğrulaması yapıldı, numarasını 0232 075 90 51 olarak güncelledi.",
  "tokens": ["Müşteri", "temsilcisi", "notu", ":", "Kemal", "Aslan", "aradı", ",", "44602633570", "doğrulaması", "yapıldı", ",", "numarasını", "0232", "075", "90", "51", "olarak", "güncelledi", "."],
  "ner_tags": [0, 0, 0, 0, 1, 2, 0, 0, 7, 0, 0, 0, 0, 11, 12, 12, 12, 0, 0, 0]
}

Decoded: Kemal Aslan → PER, 44602633570 → TC_NO, 0232 075 90 51 → PHONE.

Splits and statistics

Split	Rows	Entity mentions	Avg tokens	Range
train	8,000	18,520	28.6	7–55
validation	1,000	2,236	27.8	7–53
test	1,000	2,224	28.1	7–53

92.7% of train rows contain at least one entity, 70.6% contain two or more distinct types, and rows average 2.31 entity mentions.

Entity mentions per type (verified):

Type	train	validation	test	Total
PER	4,088	503	495	5,086
ORG	904	117	120	1,141
LOC	2,288	282	268	2,838
ADDR	2,623	314	329	3,266
TC_NO	1,370	174	162	1,706
IBAN	1,617	195	204	2,016
PHONE	2,934	338	342	3,614
PLATE	1,580	183	176	1,939
EMAIL	1,116	130	128	1,374
Total	18,520	2,236	2,224	22,980

How it was created

• Carrier sentences: entity values were injected into neutral template sentences resembling everyday workflows (customer-support notes, listing texts, internal announcements).
• Values are generated programmatically: Turkish ID numbers are 11-digit and checksum-valid; IBANs are TR-prefixed and mod-97 valid; phones follow Turkish mobile/landline formats; plates follow the Turkish plate format. Names, organizations and addresses are fictional.
• Cross-split value separation (verified): values of format-governed types (TC_NO, IBAN, PHONE, PLATE, EMAIL, ADDR) in validation/test are 100% disjoint from train (zero overlap). PER/ORG/LOC are sampled from finite pools — train contains 1,647 unique names, 471 organizations and only 36 place names, and ~90% of test PER values also occur in train.
• No duplicate sentences within any split; 63 validation and 60 test rows (~6%) exactly duplicate a train sentence (template collisions).

Personal and sensitive information

No real person's data is present. Turkish ID numbers are checksum-valid but never issued; IBANs pass mod-97 but belong to no real account; names, organizations, addresses, phone numbers, plates and e-mail addresses are fictional. No real data was collected or processed to produce or share this dataset.

Limitations and known biases

• In-generator test: the test split shares its template skeletons with train. Scores on it (e.g. emi08/maske F1 = 1.0000) prove the wiring, not real-world performance.
• Generator dependence: the same model scores F1 = 0.2617 on Werea-KVKK-Bench, a different generator, and 0.7805 on a 29-document real-text starter set — evidence that generator-specific artifacts carry over.
• Finite name pools: PER/ORG/LOC values come from small pools (36 place names) shared across splits.
• Short, clean carriers: 7–55 tokens; long documents, OCR noise and informal text are unmeasured.
• Incomplete label space: no VKN (tax number), passport, IP, date-of-birth, health or other special-category types.
• Cue density: entities mostly appear in lexically cued contexts ("plakalı", "numarası"); bare mentions are under-represented.
• Out of scope: models trained on this dataset do not by themselves guarantee KVKK compliance; detection ≠ anonymization.

Quick start

# pip install -U datasets
from datasets import load_dataset

ds = load_dataset("emi08/maske-kvkk-synth")
labels = ds["train"].features["ner_tags"].feature.names  # 19 label names

def to_spans(example):
    spans, cur, cur_type = [], [], None
    for tok, tag in zip(example["tokens"], example["ner_tags"]):
        name = labels[tag]
        if name == "O":
            if cur:
                spans.append((cur_type, " ".join(cur)))
                cur, cur_type = [], None
            continue
        prefix, etype = name.split("-")
        if prefix == "B" or cur_type != etype:
            if cur:
                spans.append((cur_type, " ".join(cur)))
            cur, cur_type = [tok], etype
        else:
            cur.append(tok)
    if cur:
        spans.append((cur_type, " ".join(cur)))
    return spans

print(to_spans(ds["train"][44]))
# [('PER', 'Kemal Aslan'), ('TC_NO', '44602633570'), ('PHONE', '0232 075 90 51')]

Known results

Model	Evaluation	Micro F1
emi08/maske	This dataset's test split (in-generator)	1.0000
emi08/maske	Werea-KVKK-Bench (cross-generator, 240 rows)	0.2617
emi08/maske	Real-text starter set (29 docs / 35 entities)	0.7805

All scores are span-exact. Training mix: 8,000 synthetic rows (this dataset) + 20,000 WikiANN-tr replay rows.

Related resources

• emi08/maske — the 19-label KVKK model trained on this dataset
• emi08/maske-berturk-baseline, emi08/maske-modernbert-tr-bakeoff — sibling models
• WikiANN (tr) — source of the PER/ORG/LOC replay mix
• Werea-KVKK-Bench — cross-generator evaluation split

Citation

@misc{maske_kvkk_synth_2026,
  author       = {emi08},
  title        = {maske-kvkk-synth: A Synthetic Turkish Personal Data (PII) Detection Dataset for KVKK Workflows},
  year         = {2026},
  url          = {https://huggingface.co/datasets/emi08/maske-kvkk-synth},
}

License

Apache-2.0 (matching the maske model).