halilneed/turkish-kvkk-classification-train

Türkçe KVKK Kategori Sınıflandırma: Eğitim Verisi

Türkçe metinde hangi kişisel veri kategorilerinin bulunduğunu öğreten çok etiketli, sentetik eğitim seti: 14 VERBİS kategorisi + KVKK md. 6'daki 10 özel nitelikli kategori. Yayındaki halilneed/turkish-kvkk-classifier bu veriyle eğitildi: Hub'daki ağırlığın sha256'sı, bu verinin özgün hâliyle yapılan eğitim koşusunun çıktısıyla birebir aynı.

Eğitim	35.941
Dev	656
Test	771 (şablon düzeyinde ayrık: 333 şablon eğitimde hiç kullanılmadı)
Şablon	3.276 (eğitim 2.668 · dev 275 · test 333)
Etiketsiz (tuzak)	eğitimin %20,9'u
Metin uzunluğu	medyan 86 karakter, en uzun 897

Bağımsız değerlendirme için ayrı set: halilneed/turkish-kvkk-classification-benchmark (987 altın + 317 zor metin, CC0). İkisi örtüşmez (aşağıda Yayın süzgeci).

Satır

{"id": "train-00001", "text": "borcu ödenmemiş abonenin hattı giden aramalara kapatıldı",
 "labels": ["musteri_islem", "finans"], "kaynak": "context"}
{"id": "train-00003", "text": "BÜLENT DOĞAN'LA YAPILAN GÖRÜŞMEDE 1292 GÜNLÜK GECİKME İÇİN 23.02.2023 TARİHİNE KADAR ÖDEME SÖZÜ ALINDI",
 "labels": ["kimlik", "finans"], "kaynak": "pii"}

Alan	Anlam
text	Türkçe metin: mesaj, log satırı, form alanı, CRM notu, belge parçası
labels	metindeki kategoriler; boş liste = kişisel veri kategorisi yok
kaynak	pii: değer taşıyan şablon (ad, TCKN, IBAN…), etiketler yuvalardan deterministik eşlemeyle · context: değer taşımayan ya da az yuvalı bağlamsal cümle, etiketler şablonda yazılı

Eğitimde pii 17.807, context 18.134 satır.

Etiketler ve kural

Kural: kategori, metin belirli bir kişiye (adı geçmese bile: "hasta", "müşteri", "kiracı") ait o türden bilgi içeriyorsa işaretlenir. Genel bilgi, kural, duyuru, istatistik → etiket yok. "Hastanın böbrek yetmezliği ilerlemiş" → saglik; "böbrek yetmezliği farkındalık haftası" → yok.

Etiket	Eğitim	Dev	Test
kimlik	15.452	212	255
iletisim	6.710	111	126
lokasyon	1.633	36	25
ozluk	3.018	76	43
hukuki_islem	1.967	22	34
musteri_islem	7.859	126	136
fiziksel_mekan_guvenligi	702	12	18
islem_guvenligi	3.266	45	61
risk_yonetimi	1.701	30	17
finans	6.585	114	91
mesleki_deneyim	2.279	49	49
pazarlama	1.166	21	20
gorsel_isitsel	992	21	27
arac	1.357	18	39
Özel nitelikli (md. 6)
saglik	2.504	45	51
biyometrik	680	18	27
genetik	647	15	22
cinsel_hayat	617	12	17
ceza_mahkumiyeti	631	12	2
din_felsefi_inanc	1.029	17	16
siyasi_dusunce	821	21	22
irk_etnik	906	8	20
dernek_vakif_sendika	679	8	9
kilik_kiyafet	740	14	19

Satır başına etiket sayısı (eğitim): 0 → 7.510 · 1 → 6.457 · 2 → 13.324 · 3 → 5.319 · 4 ve üstü → 3.331.

Nasıl üretildi

1. Değer taşıyan şablonlar (pii). Maskeleme modelinin şablonları aynen kullanıldı. Etiket, PII yuvalarından deterministik eşlemeyle çıkar ([TCKN] → kimlik, [IBAN] → finans, [SAGLIK] → saglik…), şablon başına bağlamsal işaretleme eklenir.
2. Bağlamsal şablonlar (context). Değer yok ama kategori var: "icra takibi başlatıldı", "müşteri ses kaydının silinmesini istedi". Özel nitelikli kategoriler ve zor negatifler (kategori sözcüğü geçen ama kişiye ait bilgi taşımayan metin) burada.
3. Dönüşümler. Örneklerin %7'si BÜYÜK HARF, %4'ü Türkçe karaktersiz küçük harf.
4. Bölme. Şablon düzeyinde hash ile ayrık train / dev / test. Test, modelin hiç görmediği şablonlara genellemeyi ölçer.

Etiket başına eşikler dev bölmesinde ayarlandı; test bölmesine yalnız son ölçümde bakıldı. Eğitim etiketlerindeki gürültü ölçülmedi.

Yayın süzgeci

Model, üretecin özgün çıktısıyla (36.000 eğitim satırı) eğitildi. Yayından önce üç şey değişti; sayılar sanitize-report.json'da.

	Ne	Satır
E-posta	Gerçek sağlayıcılar (gmail.com, outlook.com, protonmail.com…) ayrılmış adlara çevrildi (example.com, posta.example, posta.test…)	2.479 adres
Kamu figürü	Rastgele ad + soyad gerçek bir kamu figürünü verebiliyor (bir bakan, bir futbolcu). Gerçek bir kişi sağlık ya da ceza verisinin yanında görünmesin diye bu satırlar atıldı	34 eğitim satırı
Benchmark örtüşmesi	Tek bir şablondan (hastane ziyaret kuralları, etiketsiz) gelen satırlar, benchmark'taki h0632 metniyle bir cümleyi paylaşıyordu. Atıldı	25 eğitim satırı

Süzgeçten sonra benchmark'ın dört dosyasıyla (default, all_annotations, hard, hard_all_annotations) 8 kelimelik ortak dizi 0, birebir aynı metin 0. Dev ve test bölmeleri değişmedi (yalnız e-postalar).

Yayındaki model h0632'ye benzeyen 25 satırı eğitimde gördü. Bu, held-out skorunu en fazla 987 metnin 1'i kadar etkiler.

Değişmeyenler:

• TCKN, IBAN ve kart numaraları rastgeledir, kontrol haneleri geçerlidir (Faker tr_TR ile aynı yaklaşım). Gerçek kayıtlarla eşleştirilmedi ve eşleştirilemez; hiçbir numarayı birine ait sayma.
• Şirket, banka ve sendika adları gerçek kurumlardır. Onlara bağlanan kişiler kurgusaldır.

Bu veriyle eğitilen model

halilneed/turkish-kvkk-classifier: BERTurk 110M, sigmoid + BCE, 5 epoch, lr 3e-5, en çok 320 belirteç. v1.1 eşikleriyle:

Değerlendirme	micro-F1	macro-F1	Özel nitelikli kesinlik / duyarlılık
Bağımsız held-out (benchmark default, 987)	0,878	0,863	0,959 / 0,913
Zor set (benchmark hard, 317)	0,902	0,853	0,926 / 0,822
Bu setin test bölmesi (771)	0,895	0,876	0,956 / 0,972

Son satırı yayımlanan dosya üzerinde yeniden ölçtüm: e-posta çevirisinden sonra sonuç aynı (tam eşleşme 0,733 → 0,734, bir satır).

Şablon-ayrık test skoru bağımsız held-out'tan yüksek: test, eğitimle aynı üreteçten ve aynı üsluptan geliyor. Modeli kendi verinizde ve benchmark'ta ölçün; tek etiket skorlarını tohum oynaklığıyla okuyun (aynı tarifin farklı tohumlarında lokasyon F1 0,74 / 0,85 / 0,77).

Kullanım

from datasets import load_dataset

LABELS = ["kimlik", "iletisim", "lokasyon", "ozluk", "hukuki_islem", "musteri_islem",
          "fiziksel_mekan_guvenligi", "islem_guvenligi", "risk_yonetimi", "finans",
          "mesleki_deneyim", "pazarlama", "gorsel_isitsel", "arac", "saglik", "biyometrik",
          "genetik", "cinsel_hayat", "ceza_mahkumiyeti", "din_felsefi_inanc", "siyasi_dusunce",
          "irk_etnik", "dernek_vakif_sendika", "kilik_kiyafet"]

ds = load_dataset("halilneed/turkish-kvkk-classification-train")
ds = ds.map(lambda r: {"y": [float(lb in r["labels"]) for lb in LABELS]})

Etiket sırası modelin config.json'ındaki id2label ile aynıdır.

Sınırlar

• Sentetik ve şablon tabanlı. Gerçek kurum metni daha dağınık; kritik bir hatta koymadan önce kendi verinizde ölçün.
• En zayıf etiketler lokasyon, musteri_islem, gorsel_isitsel: bağlamdan çıkarılan, sınırı bulanık kategoriler.
• Bu veriyle eğitilen model, örtük anlatılan cinsel hayat bilgisini (yönelim açıkça söylenmeden, partner ya da ilişki üzerinden) ve yapısal kayıtlara gömülü ceza mahkûmiyeti bilgisini zor sette sık kaçırıyor (duyarlılık 0,37 ve 0,68). Bu türden örnek eklemek bilinen bir boşluk.
• Test bölmesinde ceza_mahkumiyeti yalnız 2 metinde var; bu etiketin test skoru anlamlı değil.
• Bir kategori sinyalidir, hukuki nitelendirme değildir. VERBİS envanteri ve KVKK uyumu kullananın sorumluluğundadır.

Atıf

CC-BY-4.0. Kullanırken şu satırı verin:

halilneed, Turkish KVKK Classification Training Data (2026). https://huggingface.co/datasets/halilneed/turkish-kvkk-classification-train

English

Synthetic multi-label training data for detecting which Turkish personal-data categories a text contains: 14 VERBİS categories and the 10 special categories of KVKK art. 6 (health, biometric, genetic, sex life, criminal records, religion, political opinion, ethnicity, association/union membership, dress). 35,941 train, 656 validation and 771 template-disjoint test rows from 3,276 templates; 20.9% of training rows have no label. halilneed/turkish-kvkk-classifier was trained on it (its Hub weights match the training run byte for byte) and scores 0.878 micro-F1 on the independent held-out benchmark and 0.895 on this test split.

Before release, real email providers were mapped to reserved domains, 34 rows that produced a real public figure's name were dropped, and 25 rows from one template that shared a sentence with benchmark row h0632 were dropped; after that, overlap with every file of the benchmark is zero. ID, IBAN and card numbers are random with valid check digits. Not legal advice.

Tanıtım: halilneed.agency · Ekipler için rehber: Kişisel veri ve yapay zekâ