G\u00fcn\u00fcm\u00fcz\u00fcn h\u0131zla ak\u0131\u015fan dijital d\u00fcnyas\u0131nda, kullan\u0131c\u0131 yorumlar\u0131 i\u015fler i\u00e7in kritik bir \u00f6neme sahip. Peki, bu yorum denizinde en de\u011ferli olanlar\u0131 ger\u00e7ek zamanl\u0131 olarak nas\u0131l belirleyebiliriz? Kafka ve makine \u00f6\u011frenimi tabanl\u0131 duygu analizi sayesinde, yorumlar\u0131 an\u0131nda de\u011ferlendirip, \u00f6nceliklendirebilir ve kullan\u0131c\u0131 deneyimini zenginle\u015ftirebiliriz. Bu rehber, karma\u015f\u0131k g\u00f6r\u00fcnen bu s\u00fcreci ad\u0131m ad\u0131m a\u00e7\u0131kl\u0131yor.<\/p>\n
Dijital platformlarda her saniye binlerce, hatta milyonlarca yorum, geri bildirim veya inceleme yay\u0131nlan\u0131yor. E-ticaret sitelerinden sosyal medya ak\u0131\u015flar\u0131na, haber portallar\u0131ndan forumlara kadar her yerde kullan\u0131c\u0131lar fikirlerini dile getiriyorlar. Bu devasa veri ak\u0131\u015f\u0131 i\u00e7inde, i\u015fletmeler ve platform y\u00f6neticileri i\u00e7in en de\u011ferli, en alakal\u0131 veya en acil yorumlar\u0131 tespit etmek giderek zorla\u015f\u0131yor. \u0130\u015fte tam bu noktada, ger\u00e7ek zamanl\u0131 yorum s\u0131ralama devreye giriyor ve adeta bir pusula g\u00f6revi g\u00f6r\u00fcyor.<\/p>\n
\u00d6ncelikle, kullan\u0131c\u0131 deneyimi a\u00e7\u0131s\u0131ndan d\u00fc\u015f\u00fcnelim. Bir e-ticaret sitesinde yeni bir \u00fcr\u00fcn sat\u0131n almay\u0131 d\u00fc\u015f\u00fcnen bir m\u00fc\u015fteri, binlerce yorum aras\u0131ndan neye odaklanmal\u0131? E\u011fer en olumlu, en bilgilendirici veya en g\u00fcncel yorumlar an\u0131nda \u00f6ne \u00e7\u0131kar\u0131l\u0131rsa, bu m\u00fc\u015fterinin karar verme s\u00fcreci hem h\u0131zlan\u0131r hem de daha sa\u011fl\u0131kl\u0131 bilgilere dayan\u0131r. Veya bir sosyal medya platformunda, bir trend konu hakk\u0131nda yap\u0131lan yorumlardan hangileri ger\u00e7ekten dikkat \u00e7ekici veya hangi yorumlar zararl\u0131 i\u00e7erik bar\u0131nd\u0131r\u0131yor? Ger\u00e7ek zamanl\u0131 s\u0131ralama olmadan, bu sorular\u0131n cevab\u0131 \u00e7o\u011fu zaman gecikir ve platformun itibar\u0131n\u0131 zedeler.<\/p>\n
\u0130\u015fletmeler a\u00e7\u0131s\u0131ndan ise durum daha da kritik. M\u00fc\u015fteri geri bildirimleri, \u00fcr\u00fcn geli\u015ftirme, pazarlama stratejileri ve m\u00fc\u015fteri hizmetleri kalitesi i\u00e7in alt\u0131n de\u011ferindedir. Olumsuz bir yorum, potansiyel bir sorun sinyali olabilir ve erken tespit edildi\u011finde krize d\u00f6n\u00fc\u015fmeden \u00e7\u00f6z\u00fclebilir. Benzer \u015fekilde, pozitif yorumlar, hangi \u00f6zelliklerin veya hizmetlerin m\u00fc\u015fteriler taraf\u0131ndan takdir edildi\u011fini g\u00f6sterir ve bu da \u015firketlerin kaynaklar\u0131n\u0131 do\u011fru alanlara y\u00f6nlendirmesine yard\u0131mc\u0131 olur. Bu geri bildirimlerin ger\u00e7ek zamanl\u0131 olarak i\u015flenmesi ve \u00f6nceliklendirilmesi, \u015firketlerin \u00e7evik kalmas\u0131n\u0131 ve piyasa dinamiklerine an\u0131nda tepki vermesini sa\u011flar.<\/p>\n
Peki, bu ger\u00e7ek zamanl\u0131 ak\u0131\u015f\u0131 nas\u0131l y\u00f6netebiliriz? Geleneksel veri i\u015fleme y\u00f6ntemleri genellikle toplu (batch) i\u015flemeye odaklan\u0131r, yani veriler belirli aral\u0131klarla toplan\u0131r ve i\u015flenir. Ancak yorumlar gibi s\u00fcrekli akan veriler i\u00e7in bu yakla\u015f\u0131m yetersiz kal\u0131r. \u00d6rne\u011fin, bir canl\u0131 yay\u0131n s\u0131ras\u0131nda gelen yorumlar\u0131 1 saat sonra analiz etmek, etkile\u015fimin ve an\u0131n b\u00fcy\u00fcs\u00fcn\u00fc kaybetmek demektir. \u0130\u015fte burada Kafka gibi da\u011f\u0131t\u0131k ak\u0131\u015f platformlar\u0131, b\u00fcy\u00fck hacimli veriyi milisaniyeler i\u00e7inde al\u0131p i\u015fleyebilme kapasiteleriyle \u00f6n plana \u00e7\u0131kar. Duygu analizi ise bu yorumlar\u0131n i\u00e7eri\u011fini nicel bir de\u011fere d\u00f6n\u00fc\u015ft\u00fcrerek, onlar\u0131n “de\u011ferini” belirlememize olanak tan\u0131r. Yani, bir yorumun sadece var oldu\u011funu de\u011fil, ayn\u0131 zamanda ne anlama geldi\u011fini, ne kadar pozitif veya negatif oldu\u011funu anlamam\u0131z\u0131 sa\u011flar. Bu iki teknolojinin birle\u015fimi, modern dijital platformlar i\u00e7in vazge\u00e7ilmez bir altyap\u0131 sunar.<\/p>\n
\u00d6zetle, ger\u00e7ek zamanl\u0131 yorum s\u0131ralama, dijital d\u00fcnyan\u0131n karma\u015f\u0131kl\u0131\u011f\u0131n\u0131 basitle\u015ftiren, kullan\u0131c\u0131lar\u0131 do\u011fru bilgiye ula\u015ft\u0131ran, i\u015fletmelere de\u011ferli i\u00e7g\u00f6r\u00fcler sunan ve nihayetinde daha dinamik, ilgili ve g\u00fcvenli \u00e7evrimi\u00e7i ortamlar yaratmam\u0131z\u0131 sa\u011flayan stratejik bir yakla\u015f\u0131md\u0131r. Bu teknolojiyi benimseyen platformlar, rekabette \u00f6nemli bir avantaj elde ederken, kullan\u0131c\u0131 memnuniyetini de en \u00fcst d\u00fczeye \u00e7\u0131kar\u0131rlar. Dolay\u0131s\u0131yla, bu konuyu derinlemesine incelemek, dijital \u00e7a\u011fa ayak uydurmak isteyen herkes i\u00e7in bir zorunluluktur.<\/p>\n
Ger\u00e7ek zamanl\u0131 yorum s\u0131ralama sisteminin kalbinde iki temel teknoloji yat\u0131yor: Apache Kafka ve Duygu Analizi. Bu iki bile\u015fen, veri ak\u0131\u015f\u0131n\u0131 y\u00f6netme ve bu ak\u0131\u015f i\u00e7indeki anlam\u0131 \u00e7\u0131karma g\u00f6revlerini \u00fcstlenir. Gelin, bu g\u00fc\u00e7l\u00fc ara\u00e7lar\u0131 yak\u0131ndan tan\u0131yal\u0131m.<\/p>\n
Apache Kafka, LinkedIn taraf\u0131ndan geli\u015ftirilen ve daha sonra a\u00e7\u0131k kaynak olarak kullan\u0131ma sunulan, da\u011f\u0131t\u0131k bir ak\u0131\u015f platformudur. Basit\u00e7e ifade etmek gerekirse, y\u00fcksek hacimli veri ak\u0131\u015flar\u0131n\u0131 h\u0131zl\u0131, g\u00fcvenilir ve \u00f6l\u00e7eklenebilir bir \u015fekilde i\u015flemek i\u00e7in tasarlanm\u0131\u015ft\u0131r. Geleneksel mesaj kuyruklar\u0131na g\u00f6re \u00e7ok daha fazlas\u0131n\u0131 sunar ve genellikle “da\u011f\u0131t\u0131k bir commit log” olarak tan\u0131mlan\u0131r.<\/p>\n
Kafka’n\u0131n temel \u00e7al\u0131\u015fma prensibi, \u00fcretici (producer) ve t\u00fcketici (consumer) kavramlar\u0131na dayan\u0131r. \u00dcreticiler, veri mesajlar\u0131n\u0131 (bizim senaryomuzda yorumlar) Kafka’daki belirli konulara (topic) g\u00f6nderirler. T\u00fcketiciler ise bu konulardan gelen mesajlar\u0131 okur ve i\u015fler. Bu model, sistem bile\u015fenlerinin birbirinden ba\u011f\u0131ms\u0131z \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar; yani yorum yapan uygulama (\u00fcretici) ile yorumlar\u0131 i\u015fleyen duygu analizi servisi (t\u00fcketici) birbirini do\u011frudan bilmek zorunda de\u011fildir.<\/p>\n
Peki, Kafka’y\u0131 bu kadar \u00f6zel k\u0131lan nedir? \u0130\u015fte birka\u00e7 temel \u00f6zelli\u011fi:<\/p>\n
Yorum s\u0131ralama senaryosunda Kafka, yeni gelen yorumlar\u0131 an\u0131nda al\u0131p, duygu analizi servisine aktaran omurga g\u00f6revi g\u00f6r\u00fcr. Bu sayede, yorumlar gecikmeden i\u015flenebilir ve kullan\u0131c\u0131lara g\u00fcncel, s\u0131ralanm\u0131\u015f i\u00e7erik sunulabilir.<\/p>\n
Duygu analizi, do\u011fal dil i\u015fleme (NLP) alan\u0131n\u0131n \u00f6nemli bir alt dal\u0131d\u0131r ve metin verisindeki duygusal tonu, niyeti veya duru\u015fu otomatik olarak belirlemeyi ama\u00e7lar. Bir yorumun olumlu, olumsuz ya da n\u00f6tr olup olmad\u0131\u011f\u0131n\u0131 tespit etmek, sistemimizin “ak\u0131ll\u0131” karar verme yetene\u011fini olu\u015fturur. Bu analiz, sadece pozitif\/negatif ayr\u0131m\u0131 yapmakla kalmay\u0131p, bazen duygunun yo\u011funlu\u011funu (\u00f6rne\u011fin, “\u00e7ok olumlu” veya “hafif olumsuz”) da belirleyebilir.<\/p>\n
Duygu analizi genellikle a\u015fa\u011f\u0131daki y\u00f6ntemlerle ger\u00e7ekle\u015ftirilir:<\/p>\n
de\u011fil<\/code>, yok<\/code>) veya peki\u015ftiriciler (\u00e7ok<\/code>, a\u015f\u0131r\u0131<\/code>) gibi dilbilgisel kurallar da i\u015fin i\u00e7ine kat\u0131l\u0131r.<\/li>\n- Makine \u00d6\u011frenimi Tabanl\u0131 Yakla\u015f\u0131mlar:<\/strong> Bu y\u00f6ntemler, etiketlenmi\u015f b\u00fcy\u00fck veri k\u00fcmeleri \u00fczerinde e\u011fitilen modeller kullan\u0131r. Destek Vekt\u00f6r Makineleri (SVM), Naive Bayes, Lojistik Regresyon gibi klasik makine \u00f6\u011frenimi algoritmalar\u0131 veya daha modern derin \u00f6\u011frenme modelleri (RNN, LSTM, Transformer tabanl\u0131 modeller – \u00f6rne\u011fin BERT<\/a>) kullan\u0131labilir. Model, metindeki kelimelerin ve c\u00fcmle yap\u0131lar\u0131n\u0131n duygusal e\u011filimini \u00f6\u011frenir ve yeni yorumlar\u0131 buna g\u00f6re s\u0131n\u0131fland\u0131r\u0131r.<\/li>\n
- Hibrit Yakla\u015f\u0131mlar:<\/strong> Kural tabanl\u0131 ve makine \u00f6\u011frenimi yakla\u015f\u0131mlar\u0131n\u0131 birle\u015ftiren modeller, genellikle en iyi sonu\u00e7lar\u0131 verir. B\u00f6ylece, hem dilin incelikleri kurallarla yakalanabilir hem de modelin \u00f6\u011frenme yetene\u011fiyle daha genel ve karma\u015f\u0131k durumlar ele al\u0131nabilir.<\/li>\n<\/ul>\n
Yorum s\u0131ralama sistemimizde, duygu analizi her gelen yoruma bir “duygu puan\u0131” atar. Bu puan genellikle -1 (\u00e7ok olumsuz) ile +1 (\u00e7ok olumlu) aras\u0131nda de\u011fi\u015fen bir say\u0131d\u0131r. \u00d6rne\u011fin, “Bu \u00fcr\u00fcn harika, kesinlikle tavsiye ederim!” yorumu +0.9 gibi bir puan alabilirken, “Tam bir fiyasko, paran\u0131za yaz\u0131k” yorumu -0.8 gibi bir puan alabilir. N\u00f6tr yorumlar ise 0’a yak\u0131n bir de\u011fer al\u0131r. Bu duygu puan\u0131, yorumun genel s\u0131ralamas\u0131nda \u00f6nemli bir a\u011f\u0131rl\u0131k ta\u015f\u0131r.<\/p>\n
Duygu analizi modellerinin do\u011frulu\u011fu, kullan\u0131lan dilin karma\u015f\u0131kl\u0131\u011f\u0131na, modelin e\u011fitildi\u011fi veri setinin kalitesine ve modelin mimarisine ba\u011fl\u0131d\u0131r. T\u00fcrk\u00e7e gibi eklemeli dillerde duygu analizi yapmak, \u0130ngilizce’ye g\u00f6re baz\u0131 ek zorluklar i\u00e7erebilir ancak modern NLP k\u00fct\u00fcphaneleri ve \u00f6nceden e\u011fitilmi\u015f modeller sayesinde bu zorluklar a\u015f\u0131labilir. Bu iki temel bile\u015fenin entegrasyonu, ger\u00e7ek zamanl\u0131 ve ak\u0131ll\u0131 bir yorum s\u0131ralama sisteminin anahtar\u0131n\u0131 olu\u015fturur.<\/p>\n
Ger\u00e7ek Zamanl\u0131 Yorum S\u0131ralama Mimarisini Nas\u0131l \u0130n\u015fa Ederiz?<\/h2>\n
\u015eimdi teoriden prati\u011fe ge\u00e7elim ve Kafka ile duygu analizini bir araya getirerek nas\u0131l ger\u00e7ek zamanl\u0131 bir yorum s\u0131ralama mimarisi kurabilece\u011fimizi ad\u0131m ad\u0131m inceleyelim. Bu mimari, kullan\u0131c\u0131 yorumlar\u0131n\u0131n sisteme girmesinden, analiz edilip s\u0131ralanmas\u0131na ve son kullan\u0131c\u0131ya sunulmas\u0131na kadar olan t\u00fcm s\u00fcreci kapsar.<\/p>\n
Genel mimariyi g\u00f6z\u00fcn\u00fczde canland\u0131rmak i\u00e7in \u015fu bile\u015fenleri d\u00fc\u015f\u00fcnebiliriz:<\/p>\n
\n- Yorum \u00dcreticileri (Comment Producers):<\/strong> Kullan\u0131c\u0131lar\u0131n yorum yapt\u0131\u011f\u0131 web siteleri, mobil uygulamalar veya API’ler.<\/li>\n
- Kafka Mesaj Kuyru\u011fu:<\/strong> Gelen t\u00fcm yorumlar\u0131 an\u0131nda ve s\u0131ras\u0131yla alan da\u011f\u0131t\u0131k omurga.<\/li>\n
- Duygu Analizi Servisi (Sentiment Analysis Service):<\/strong> Kafka’dan yorumlar\u0131 okuyup duygu puan\u0131 atayan servis.<\/li>\n
- S\u0131ralama ve Zenginle\u015ftirme Servisi (Ranking & Enrichment Service):<\/strong> Duygu puan\u0131, g\u00fcncellik, kullan\u0131c\u0131 itibar\u0131 gibi fakt\u00f6rleri birle\u015ftirerek yorumlar\u0131 s\u0131ralayan ve ek verilerle zenginle\u015ftiren servis.<\/li>\n
- Veri Depolama (Data Store):<\/strong> S\u0131ralanm\u0131\u015f ve i\u015flenmi\u015f yorumlar\u0131n tutuldu\u011fu veritaban\u0131 (\u00f6rne\u011fin PostgreSQL, MongoDB) ve h\u0131zl\u0131 eri\u015fim i\u00e7in \u00f6nbellek (\u00f6rne\u011fin Redis).<\/li>\n
- Yorum T\u00fcketicileri (Comment Consumers):<\/strong> S\u0131ralanm\u0131\u015f yorumlar\u0131 son kullan\u0131c\u0131ya g\u00f6steren frontend uygulamalar\u0131 (web sitesi, mobil uygulama).<\/li>\n<\/ol>\n
Bu bile\u015fenlerin birbirleriyle nas\u0131l etkile\u015fime girdi\u011fini bir s\u00fcre\u00e7 ak\u0131\u015f\u0131 olarak ele alal\u0131m:<\/p>\n
1. Ad\u0131m: Yorumlar\u0131n Al\u0131nmas\u0131 ve Kafka’ya G\u00f6nderilmesi<\/h4>\n
Bir kullan\u0131c\u0131 bir platformda (\u00f6rne\u011fin bir e-ticaret sitesinde \u00fcr\u00fcn yorumu veya bir blog yaz\u0131s\u0131na yorum) yeni bir yorum yapt\u0131\u011f\u0131nda, bu yorum an\u0131nda sistem taraf\u0131ndan yakalan\u0131r. Bu yakalama i\u015flemi genellikle bir REST API \u00e7a\u011fr\u0131s\u0131 veya do\u011frudan bir Kafka Producer arac\u0131l\u0131\u011f\u0131yla yap\u0131l\u0131r. Yorum metni, kullan\u0131c\u0131 ID’si, zaman damgas\u0131 gibi bilgiler i\u00e7eren bir mesaj (genellikle JSON format\u0131nda) olu\u015fturulur. Bu mesaj daha sonra Kafka’daki belirli bir konuya (\u00f6rne\u011fin comments-raw<\/code>) g\u00f6nderilir.<\/p>\n\n{\n \"comment_id\": \"c_12345\",\n \"user_id\": \"u_67890\",\n \"product_id\": \"p_11223\",\n \"timestamp\": \"2023-10-27T10:30:00Z\",\n \"comment_text\": \"Bu \u00fcr\u00fcn beklentilerimi a\u015ft\u0131, harika bir al\u0131\u015fveri\u015f oldu!\"\n}\n <\/pre>\n<\/code><\/p>\n
Kafka'n\u0131n y\u00fcksek verimli yap\u0131s\u0131 sayesinde, saniyede y\u00fczbinlerce yorum bile sorunsuz bir \u015fekilde sisteme al\u0131nabilir ve s\u0131raya konulur.<\/p>\n
2. Ad\u0131m: Duygu Analizi<\/h4>\n
Kafka'da comments-raw<\/code> konusuna gelen her mesaj\u0131 dinleyen bir veya daha fazla Duygu Analizi Servisi (Kafka Consumer) bulunur. Bu servis, gelen yorum metnini al\u0131r ve \u00f6nceden e\u011fitilmi\u015f bir duygu analizi modeli kullanarak metnin duygusal tonunu belirler. Sonu\u00e7 olarak, yoruma bir duygu puan\u0131 (\u00f6rne\u011fin -1.0 ile +1.0 aras\u0131nda) atan\u0131r. Bu puan, orijinal yorum mesaj\u0131na eklenir ve yeni bir mesaj olarak Kafka'daki ba\u015fka bir konuya (\u00f6rne\u011fin comments-with-sentiment<\/code>) g\u00f6nderilir.<\/p>\n\n{\n \"comment_id\": \"c_12345\",\n \"user_id\": \"u_67890\",\n \"product_id\": \"p_11223\",\n \"timestamp\": \"2023-10-27T10:30:00Z\",\n \"comment_text\": \"Bu \u00fcr\u00fcn beklentilerimi a\u015ft\u0131, harika bir al\u0131\u015fveri\u015f oldu!\",\n \"sentiment_score\": 0.95,\n \"sentiment_label\": \"positive\"\n}\n <\/pre>\n<\/code><\/p>\n
Burada, servisin \u00f6l\u00e7eklenebilirli\u011fi i\u00e7in Kafka'n\u0131n t\u00fcketici grubu \u00f6zelli\u011fi kritik \u00f6neme sahiptir. Birden fazla duygu analizi servisi ayn\u0131 anda comments-raw<\/code> konusundan mesajlar\u0131 \u00e7ekerek i\u015flem y\u00fck\u00fcn\u00fc da\u011f\u0131tabilir.<\/p>\n3. Ad\u0131m: S\u0131ralama ve Zenginle\u015ftirme<\/h4>\n
comments-with-sentiment<\/code> konusundan mesajlar\u0131 dinleyen bir S\u0131ralama ve Zenginle\u015ftirme Servisi bulunur. Bu servis, duygu puan\u0131 eklenmi\u015f her yorum i\u00e7in nihai bir \"s\u0131ralama puan\u0131\" hesaplar. Bu puan sadece duyguya de\u011fil, ayn\u0131 zamanda di\u011fer fakt\u00f6rlere de dayan\u0131r:<\/p>\n\n- Zaman Damgas\u0131 (Recency):<\/strong> Daha yeni yorumlar genellikle daha alakal\u0131 kabul edilir.<\/li>\n
- Kullan\u0131c\u0131 \u0130tibar\u0131 (User Reputation):<\/strong> G\u00fcvenilir veya deneyimli kullan\u0131c\u0131lar\u0131n yorumlar\u0131 daha y\u00fcksek a\u011f\u0131rl\u0131k ta\u015f\u0131yabilir.<\/li>\n
- Etkile\u015fim Metrikleri (Engagement Metrics):<\/strong> Yorumun ald\u0131\u011f\u0131 be\u011feniler, yan\u0131tlar veya payla\u015f\u0131m say\u0131lar\u0131.<\/li>\n
- Anahtar Kelime E\u015fle\u015fmesi (Keyword Relevance):<\/strong> Belirli anahtar kelimeler i\u00e7eren yorumlara \u00f6zel a\u011f\u0131rl\u0131k verilebilir.<\/li>\n<\/ul>\n
Bu servis, ayr\u0131ca yorumu ek bilgilerle (\u00f6rne\u011fin kullan\u0131c\u0131n\u0131n profil foto\u011fraf\u0131, \u00fcr\u00fcn\u00fcn di\u011fer \u00f6zellikleri) zenginle\u015ftirebilir. Hesaplanan s\u0131ralama puan\u0131yla birlikte yorum, nihai olarak veritaban\u0131na kaydedilir ve\/veya h\u0131zl\u0131 eri\u015fim i\u00e7in bir \u00f6nbelle\u011fe (\u00f6rne\u011fin Redis) konulur.<\/p>\n
\n{\n \"comment_id\": \"c_12345\",\n \"user_id\": \"u_67890\",\n \"product_id\": \"p_11223\",\n \"timestamp\": \"2023-10-27T10:30:00Z\",\n \"comment_text\": \"Bu \u00fcr\u00fcn beklentilerimi a\u015ft\u0131, harika bir al\u0131\u015fveri\u015f oldu!\",\n \"sentiment_score\": 0.95,\n \"sentiment_label\": \"positive\",\n \"ranking_score\": 0.92, \/\/ Duygu, g\u00fcncellik, itibar vb. birle\u015fimi\n \"user_name\": \"Ay\u015fe Y\u0131lmaz\",\n \"user_avatar_url\": \"https:\/\/example.com\/avatar\/ayse.jpg\"\n}\n <\/pre>\n<\/code><\/p>\n
4. Ad\u0131m: Yorumlar\u0131n Sunumu<\/h4>\n
Son kullan\u0131c\u0131ya yorumlar\u0131 g\u00f6steren frontend uygulamalar\u0131 (web, mobil), s\u0131ralanm\u0131\u015f yorumlar\u0131 do\u011frudan veritaban\u0131ndan veya \u00f6nbellekten \u00e7eker. Sorgular genellikle belirli bir \u00fcr\u00fcn ID'si veya sayfa i\u00e7in en y\u00fcksek s\u0131ralama puan\u0131na sahip yorumlar\u0131 getirecek \u015fekilde yap\u0131l\u0131r. Bu sayede kullan\u0131c\u0131lar, her zaman en alakal\u0131, en de\u011ferli ve en g\u00fcncel yorumlar\u0131 en \u00fcstte g\u00f6r\u00fcrler. Sistem, bu s\u00fcre\u00e7lerin tamam\u0131n\u0131 milisaniyeler i\u00e7inde ger\u00e7ekle\u015ftirerek ger\u00e7ek zamanl\u0131 bir deneyim sunar.<\/p>\n
Bu mimari, mod\u00fcler yap\u0131s\u0131 sayesinde her bir bile\u015fenin ba\u011f\u0131ms\u0131z olarak \u00f6l\u00e7eklenmesine ve geli\u015ftirilmesine olanak tan\u0131r. Herhangi bir bile\u015fende ya\u015fanan sorun, di\u011fer bile\u015fenleri do\u011frudan etkilemez, bu da sistemin genel dayan\u0131kl\u0131l\u0131\u011f\u0131n\u0131 art\u0131r\u0131r. B\u00f6ylece, kullan\u0131c\u0131 yorumlar\u0131n\u0131n kesintisiz bir \u015fekilde ak\u0131\u015f\u0131n\u0131 sa\u011flayarak, platformunuzu daha dinamik ve etkile\u015fimli hale getirebilirsiniz.<\/p>\n
Uygulamal\u0131 Ad\u0131mlar: Kodla Yorumlar\u0131 Nas\u0131l Ak\u0131\u015fa Al\u0131r\u0131z ve Analiz Ederiz?<\/h2>\n
Teorik mimarimizi anlad\u0131\u011f\u0131m\u0131za g\u00f6re, \u015fimdi s\u0131ra geldi bu yap\u0131y\u0131 somutla\u015ft\u0131rmaya. Python kullanarak Kafka'ya nas\u0131l yorum g\u00f6nderilece\u011fini ve gelen yorumlar\u0131n duygu analizini nas\u0131l yapaca\u011f\u0131m\u0131z\u0131 ad\u0131m ad\u0131m kod \u00f6rnekleriyle g\u00f6relim. Bu \u00f6rnekler, projenizin temelini olu\u015fturacak basit ama i\u015flevsel bile\u015fenleri i\u00e7erecektir.<\/p>\n
Python ile Kafka Producer Olu\u015fturma<\/h3>\n
\u0130lk olarak, yorumlar\u0131 Kafka'ya g\u00f6nderecek bir \u00fcretici (producer) yazmam\u0131z gerekiyor. Bunun i\u00e7in kafka-python<\/code><\/a> k\u00fct\u00fcphanesini kullanabiliriz. E\u011fer y\u00fckl\u00fc de\u011filse, pip install kafka-python<\/code> komutuyla y\u00fckleyebilirsiniz.<\/p>\n\n# producer.py\nfrom kafka import KafkaProducer\nimport json\nimport time\nimport random\n\n# Kafka broker adresiniz\nKAFKA_BROKER = 'localhost:9092' # E\u011fer Docker veya farkl\u0131 bir IP'de ise buray\u0131 g\u00fcncelleyin\nKAFKA_TOPIC = 'comments-raw'\n\nproducer = KafkaProducer(\n bootstrap_servers=[KAFKA_BROKER],\n value_serializer=lambda v: json.dumps(v).encode('utf-8')\n)\n\ndef send_comment(comment_text, user_id, product_id):\n comment_data = {\n \"comment_id\": f\"c_{random.randint(10000, 99999)}\",\n \"user_id\": user_id,\n \"product_id\": product_id,\n \"timestamp\": time.strftime(\"%Y-%m-%dT%H:%M:%SZ\", time.gmtime()),\n \"comment_text\": comment_text\n }\n producer.send(KAFKA_TOPIC, comment_data)\n print(f\"G\u00f6nderildi: {comment_data['comment_text']}\")\n\nif __name__ == \"__main__\":\n comments = [\n (\"Harika bir \u00fcr\u00fcn, kesinlikle tavsiye ederim!\", \"user_1\", \"prod_A\"),\n (\"Beklentilerimin alt\u0131nda kald\u0131, hayal k\u0131r\u0131kl\u0131\u011f\u0131na u\u011frad\u0131m.\", \"user_2\", \"prod_B\"),\n (\"Fiyat\u0131na g\u00f6re performans\u0131 olduk\u00e7a iyi.\", \"user_3\", \"prod_A\"),\n (\"Kargo \u00e7ok ge\u00e7 geldi, m\u00fc\u015fteri hizmetleri de yard\u0131mc\u0131 olmad\u0131.\", \"user_4\", \"prod_C\"),\n (\"M\u00fckemmel kalite, \u00e7ok memnun kald\u0131m.\", \"user_5\", \"prod_B\"),\n (\"N\u00f6tr bir deneyim, ne iyi ne k\u00f6t\u00fc.\", \"user_6\", \"prod_A\"),\n (\"Kesinlikle almay\u0131n!\", \"user_7\", \"prod_D\"),\n (\"\u00c7ok ba\u015far\u0131l\u0131 bir al\u0131\u015fveri\u015f oldu, tekrar tercih ederim.\", \"user_8\", \"prod_C\"),\n ]\n\n for comment, user, product in comments:\n send_comment(comment, user, product)\n time.sleep(random.uniform(0.5, 2)) # Rastgele aral\u0131klarla g\u00f6nderim\n \n producer.flush() # T\u00fcm mesajlar\u0131n g\u00f6nderildi\u011finden emin olun\n print(\"T\u00fcm yorumlar g\u00f6nderildi.\")\n <\/pre>\n<\/code><\/p>\n
Bu kod blo\u011fu, farkl\u0131 yorum metinlerini rastgele kullan\u0131c\u0131lar ve \u00fcr\u00fcn ID'leri ile Kafka'daki comments-raw<\/code> konusuna g\u00f6nderir. value_serializer<\/code> parametresi, Python s\u00f6zl\u00fcklerinin JSON format\u0131na \u00e7evrilip UTF-8 olarak kodlanmas\u0131n\u0131 sa\u011flar. Bu sayede Kafka, gelen mesajlar\u0131 kolayca anlayabilir.<\/p>\nDuygu Analizi Servisi Geli\u015ftirme (Python ve TextBlob \u00d6rne\u011fi)<\/h3>\n
\u015eimdi s\u0131ra, Kafka'dan gelen yorumlar\u0131 okuyacak ve duygu analizi yapacak t\u00fcketici (consumer) servisini yazmaya geldi. Bu \u00f6rnekte basitlik a\u00e7\u0131s\u0131ndan TextBlob<\/code><\/a> k\u00fct\u00fcphanesini kullanaca\u011f\u0131z. pip install textblob<\/code> ve python -m textblob.download_corpora<\/code> komutlar\u0131yla y\u00fckleyebilirsiniz. T\u00fcrk\u00e7e i\u00e7in TextBlob'un do\u011frudan deste\u011fi s\u0131n\u0131rl\u0131 olabilir; ger\u00e7ek projelerde tr-sentiment-analysis<\/code><\/a> gibi daha \u00f6zel k\u00fct\u00fcphaneler veya kendi e\u011fitilmi\u015f modellerinizi kullanman\u0131z daha uygun olacakt\u0131r.<\/p>\n\n# sentiment_consumer.py\nfrom kafka import KafkaConsumer, KafkaProducer\nimport json\nfrom textblob import TextBlob # Basit duygu analizi i\u00e7in\n# from tr_sentiment_analysis import SentimentAnalysis # T\u00fcrk\u00e7e i\u00e7in daha geli\u015fmi\u015f bir k\u00fct\u00fcphane\n\n# Kafka broker adresiniz\nKAFKA_BROKER = 'localhost:9092'\nRAW_COMMENTS_TOPIC = 'comments-raw'\nSENTIMENT_COMMENTS_TOPIC = 'comments-with-sentiment'\nCONSUMER_GROUP_ID = 'sentiment-analysis-group'\n\n# Duygu analizi modelinizi buraya entegre edebilirsiniz\n# TextBlob basit bir \u00f6rnek sa\u011flar\ndef analyze_sentiment(text):\n # TextBlob \u0130ngilizce i\u00e7in daha iyi \u00e7al\u0131\u015f\u0131r. T\u00fcrk\u00e7e i\u00e7in farkl\u0131 bir model kullan\u0131n.\n # \u00d6rne\u011fin:\n # analyzer = SentimentAnalysis()\n # result = analyzer.predict(text)\n # if result == 'positive': return 0.8\n # elif result == 'negative': return -0.8\n # else: return 0.0\n\n analysis = TextBlob(text)\n # Polarity: -1.0 (negative) to +1.0 (positive)\n return analysis.sentiment.polarity\n\nconsumer = KafkaConsumer(\n RAW_COMMENTS_TOPIC,\n bootstrap_servers=[KAFKA_BROKER],\n auto_offset_reset='earliest', # Ba\u015ftan ba\u015fla veya 'latest' ile en yenilerden ba\u015fla\n enable_auto_commit=True,\n group_id=CONSUMER_GROUP_ID,\n value_deserializer=lambda x: json.loads(x.decode('utf-8'))\n)\n\nproducer = KafkaProducer(\n bootstrap_servers=[KAFKA_BROKER],\n value_serializer=lambda v: json.dumps(v).encode('utf-8')\n)\n\nprint(f\"{RAW_COMMENTS_TOPIC} konusundan mesajlar dinleniyor...\")\n\nfor message in consumer:\n comment_data = message.value\n comment_text = comment_data.get('comment_text', '')\n\n if comment_text:\n sentiment_score = analyze_sentiment(comment_text)\n sentiment_label = \"positive\" if sentiment_score > 0.1 else (\"negative\" if sentiment_score < -0.1 else \"neutral\")\n \n comment_data['sentiment_score'] = sentiment_score\n comment_data['sentiment_label'] = sentiment_label\n \n producer.send(SENTIMENT_COMMENTS_TOPIC, comment_data)\n print(f\"Analiz edildi ve g\u00f6nderildi: '{comment_text}' -> Score: {sentiment_score:.2f}, Label: {sentiment_label}\")\n \n # Her 100 mesajda bir veya belirli aral\u0131klarla producer'\u0131 flush edebiliriz.\n # Bu, mesajlar\u0131n hemen Kafka'ya yaz\u0131lmas\u0131n\u0131 sa\u011flar.\n # if consumer.metrics()['records-consumed-total'] % 100 == 0:\n # producer.flush()\n <\/pre>\n<\/code><\/p>\n
Bu t\u00fcketici kodu, comments-raw<\/code> konusundan gelen yorumlar\u0131 al\u0131r, her birinin duygu analizini yapar ve duygu puan\u0131 ile etiketini yoruma ekleyerek comments-with-sentiment<\/code> konusuna geri g\u00f6nderir. Ger\u00e7ek bir senaryoda, analyze_sentiment<\/code> fonksiyonunun i\u00e7ine \u00e7ok daha geli\u015fmi\u015f bir T\u00fcrk\u00e7e duygu analizi modeli entegre etmeniz gerekecektir.<\/p>\nYorumlar\u0131 S\u0131ralama ve Sunma Mekanizmas\u0131<\/h3>\n
Duygu analizi yap\u0131lm\u0131\u015f yorumlar comments-with-sentiment<\/code> konusunda akmaya devam ederken, bu yorumlar\u0131 al\u0131p nihai s\u0131ralama puanlar\u0131n\u0131 hesaplayacak ve veritaban\u0131na\/\u00f6nbelle\u011fe kaydedecek ba\u015fka bir t\u00fcketici servisi olu\u015fturabiliriz. Bu servis, daha \u00f6nce bahsetti\u011fimiz g\u00fcncellik, kullan\u0131c\u0131 itibar\u0131 gibi fakt\u00f6rleri hesaba katarak bir ranking_score<\/code> hesaplar.<\/p>\n\n# ranking_consumer.py\nfrom kafka import KafkaConsumer\nimport json\nimport time\nimport redis # H\u0131zl\u0131 \u00f6nbellekleme i\u00e7in Redis'i kullanabiliriz\n# import psycopg2 # Veritaban\u0131na kaydetmek i\u00e7in\n\n# Kafka broker adresiniz\nKAFKA_BROKER = 'localhost:9092'\nSENTIMENT_COMMENTS_TOPIC = 'comments-with-sentiment'\nCONSUMER_GROUP_ID = 'ranking-service-group'\n\n# Redis ba\u011flant\u0131s\u0131 (varsay\u0131lan localhost:6379)\n# r = redis.Redis(host='localhost', port=6379, db=0)\n\n# S\u0131ralama algoritmas\u0131 \u00f6rne\u011fi\ndef calculate_ranking_score(comment_data):\n sentiment_score = comment_data.get('sentiment_score', 0.0)\n timestamp_str = comment_data.get('timestamp')\n \n # G\u00fcncelli\u011fe a\u011f\u0131rl\u0131k verme: Yeni yorumlar daha y\u00fcksek puan al\u0131r\n # Basit bir \u00f6rnek: Son 24 saatteki yorumlara daha fazla a\u011f\u0131rl\u0131k\n comment_time = time.strptime(timestamp_str, \"%Y-%m-%dT%H:%M:%SZ\")\n current_time = time.gmtime()\n time_diff_seconds = time.mktime(current_time) - time.mktime(comment_time)\n \n recency_factor = max(0, 1 - (time_diff_seconds \/ (24 * 3600))) # Son 24 saat i\u00e7inde 1'den 0'a d\u00fc\u015fer\n \n # Di\u011fer fakt\u00f6rler (kullan\u0131c\u0131 itibar\u0131, be\u011feni say\u0131s\u0131 vb.) burada eklenebilir\n user_reputation = 1.0 # Varsay\u0131lan olarak 1.0, ger\u00e7ekte kullan\u0131c\u0131ya g\u00f6re de\u011fi\u015fir\n \n # Final s\u0131ralama puan\u0131: Duygu * (0.6) + G\u00fcncellik * (0.3) + \u0130tibar * (0.1)\n ranking_score = (sentiment_score * 0.6) + (recency_factor * 0.3) + (user_reputation * 0.1)\n \n return round(ranking_score, 4)\n\nconsumer = KafkaConsumer(\n SENTIMENT_COMMENTS_TOPIC,\n bootstrap_servers=[KAFKA_BROKER],\n auto_offset_reset='earliest',\n enable_auto_commit=True,\n group_id=CONSUMER_GROUP_ID,\n value_deserializer=lambda x: json.loads(x.decode('utf-8'))\n)\n\nprint(f\"{SENTIMENT_COMMENTS_TOPIC} konusundan mesajlar dinleniyor ve s\u0131ralan\u0131yor...\")\n\nfor message in consumer:\n comment_data = message.value\n \n ranking_score = calculate_ranking_score(comment_data)\n comment_data['ranking_score'] = ranking_score\n \n # Veritaban\u0131na kaydetme veya Redis'e \u00f6nbelle\u011fe alma i\u015flemleri\n # \u00d6rne\u011fin Redis'e hash olarak kaydetme:\n # r.hmset(f\"comment:{comment_data['comment_id']}\", comment_data)\n # r.zadd(f\"product_comments:{comment_data['product_id']}\", {comment_data['comment_id']: ranking_score}) # S\u0131ral\u0131 set ile s\u0131ralama\n \n # PostgreSQL'e kaydetme:\n # conn = psycopg2.connect(...)\n # cur = conn.cursor()\n # cur.execute(\"INSERT INTO ranked_comments (...) VALUES (...)\")\n # conn.commit()\n # cur.close(); conn.close()\n\n print(f\"S\u0131raland\u0131: ID: {comment_data['comment_id']} | Text: '{comment_data['comment_text']}' | Score: {ranking_score}\")\n <\/pre>\n<\/code><\/p>\n
\n Uzman \u0130pucu: S\u0131ralama algoritman\u0131z\u0131n (calculate_ranking_score<\/code>) performans\u0131n\u0131 art\u0131rmak i\u00e7in, kullan\u0131c\u0131 itibar puanlar\u0131n\u0131 veya \u00fcr\u00fcn \u00f6zelliklerini \u00f6nceden y\u00fckl\u00fc cache'lerden (\u00f6rne\u011fin Redis) \u00e7ekerek veritaban\u0131 sorgular\u0131n\u0131 en aza indirebilirsiniz. Bu, ger\u00e7ek zamanl\u0131 gecikmeleri dramatik bir \u015fekilde azalt\u0131r.\n <\/div>\nBu servis, her yorum i\u00e7in nihai bir ranking_score<\/code> olu\u015fturur. Frontend uygulaman\u0131z, \u00f6rne\u011fin bir \u00fcr\u00fcn sayfas\u0131nda yorumlar\u0131 listelerken, bu ranking_score<\/code>'a g\u00f6re yorumlar\u0131 veritaban\u0131ndan \u00e7ekerek kullan\u0131c\u0131ya sunabilir.<\/p>\nMobil Uyumlu Yorum Listeleme \u0130\u00e7in CSS \u00d6rne\u011fi<\/h4>\n
Son olarak, kullan\u0131c\u0131ya sunum yaparken mobil uyumlulu\u011fu g\u00f6z \u00f6n\u00fcnde bulundurmak \u00f6nemlidir. A\u015fa\u011f\u0131daki CSS medya sorgular\u0131, yorum listesinin farkl\u0131 ekran boyutlar\u0131nda nas\u0131l g\u00f6r\u00fcnece\u011fini ayarlaman\u0131za yard\u0131mc\u0131 olur:<\/p>\n
\n