📌 CLICKBAIT TESPİT SİSTEMİ --- RNN MODELİ

Türkçe haber sitelerinden otomatik veri toplayarak clickbait (tıklama tuzağı) başlıkları tespit eden bir Makine Öğrenimi / NLP projesidir.
Bu çalışma aynı zamanda RNN ve LSTM modellerinin performans farkını incelemek amacıyla geliştirilmiştir.

🚀 Özellikler

• 🔄 RSS kaynaklarından otomatik veri toplama
• 🏷️ Başlık + açıklamadan otomatik clickbait etiketleme
• 📝 Türkçe NLP işlemleri
  • Noktalama analizi (!) (?) (...)
  • Stopwords temizliği
  • Kök bulma (TurkishStemmer)
• 🧠 RNN tabanlı derin öğrenme modeli
  • SimpleRNN
  • Embedding Layer
  • Dropout / Recurrent Dropout
• ⚖️ Class Weight ile dengesiz veri çözümü
• 💾 Eğitim sonrası model kayıtları
  • clickbait_model_v1.h5
  • tokenizer.pickle
• 🔍 Gerçek cümlelerle canlı test fonksiyonu

📂 Proje Dosya Yapısı

Clickbait_detection_RNN.py
clickbait_veriseti.csv
clickbait_model_v1.h5
tokenizer.pickle

📰 Veri Toplama Süreci

• Gündem
• Teknoloji
• Spor
• Magazin
• Ekonomi

Etiketleme kuralları:

• Clickbait kelimeleri
• Kısa başlık
• Başlık--özet uyumsuzluğu
• Manipülatif işaretler (!, ?, büyük harf)

Etiket Anlam

---

1 Clickbait 0 Normal

🧹 Metin Ön İşleme

• Küçük harfe çevirme\
• Karakter temizliği\
• Stopwords temizliği\
• Kök bulma\
• ! ve ? korunur\
• Başlık 2 kez modele verilir

🧠 Model Mimarisi

model = Sequential()
model.add(Embedding(MAX_NB_WORDS, EMBEDDING_DIM, input_length=X.shape[1]))
model.add(SpatialDropout1D(0.3))
model.add(SimpleRNN(64, dropout=0.2, recurrent_dropout=0.3))
model.add(Dense(32, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

📊 Eğitimi Başlatma

python Clickbait_detection_RNN.py

🔍 Tahmin Fonksiyonu

predict_final(baslik, icerik)

Örnek:

predict_final(
    "Emekliye müjde! Maaşlar belli oldu...",
    "Çalışma bakanlığı henüz kesin bir açıklama yapmadı."
)