Upload 15 files

Dockerfile

@@ -0,0 +1,17 @@
+# Temel Python imajı
+FROM python:3.12-slim
+
+# Çalışma dizinini belirle
+WORKDIR /app
+
+# Gereken dosyaları kopyala
+COPY requirements.txt .
+
+# Bağımlılıkları yükle
+RUN pip install --no-cache-dir -r requirements.txt
+
+# Uygulama kodlarını kopyala
+COPY . .
+
+# Uygulamayı başlat
+CMD ["python", "app.py"]

app.py

@@ -0,0 +1,118 @@
+"""
+Flask Web Uygulaması - TDK Chatbot.
+
+Modern, kullanıcı dostu web arayüzü.
+"""
+
+from flask import Flask, render_template, request, jsonify
+import sys
+import os
+
+# src klasörünü path'e ekle
+sys.path.append(os.path.join(os.path.dirname(__file__), 'src'))
+
+from chatbot import TDKChatbot
+
+# Flask uygulaması
+app = Flask(__name__)
+app.config['SECRET_KEY'] = 'tdk-chatbot-secret-key-2024'
+
+# Chatbot'u global olarak başlat (sadece bir kere)
+print("🚀 Flask uygulaması başlatılıyor...")
+chatbot = None
+
+
+def get_chatbot():
+    """Chatbot instance'ını döndürür (lazy loading)."""
+    global chatbot
+    if chatbot is None:
+        chatbot = TDKChatbot()
+    return chatbot
+
+
+@app.route('/')
+def home():
+    """Ana sayfa."""
+    return render_template('index.html')
+
+
+@app.route('/chat', methods=['POST'])
+def chat():
+    """
+    Chatbot endpoint'i.
+
+    Request JSON:
+        {
+            "message": "kullanıcı mesajı",
+            "top_k": 5  (opsiyonel)
+        }
+
+    Response JSON:
+        {
+            "response": "chatbot yanıtı",
+            "sources": [{"kelime": "...", "anlam": "..."}]
+        }
+    """
+    try:
+        # JSON verisi al
+        data = request.get_json()
+
+        if not data or 'message' not in data:
+            return jsonify({
+                'error': 'Mesaj bulunamadı'
+            }), 400
+
+        message = data['message'].strip()
+        top_k = data.get('top_k', 5)
+
+        if not message:
+            return jsonify({
+                'error': 'Boş mesaj gönderilemez'
+            }), 400
+
+        # Chatbot'tan yanıt al
+        bot = get_chatbot()
+        result = bot.chat(message, top_k=top_k)
+
+        # Kaynakları formatla
+        sources = []
+        for r in result.get('results', [])[:3]:  # İlk 3 kaynağı göster
+            doc = r['document']
+            sources.append({
+                'kelime': doc.get('kelime', ''),
+                'anlam': doc.get('anlam', '')[:200] + '...' if len(doc.get('anlam', '')) > 200 else doc.get('anlam',
+                                                                                                            ''),
+                'score': round(r.get('score', 0), 4)
+            })
+
+        # Yanıtı döndür
+        return jsonify({
+            'response': result['response'],
+            'sources': sources
+        })
+
+    except Exception as e:
+        print(f"Hata: {e}")
+        import traceback
+        traceback.print_exc()
+
+        return jsonify({
+            'error': f'Bir hata oluştu: {str(e)}'
+        }), 500
+
+
+
+
+if __name__ == '__main__':
+    # Geliştirme sunucusunu başlat
+    print("\n" + "=" * 70)
+    print("TDK CHATBOT WEB UYGULAMASI")
+    print("=" * 70)
+    print("Uygulama: http://127.0.0.1:8080")
+
+
+    app.run(
+        host='0.0.0.0',
+        port=7860,
+        debug=True
+    )

prepare_system.py

@@ -0,0 +1,171 @@
+"""
+Tüm sistemi hazırlayan ana script.
+
+Bu script:
+1. TDK veri setini yükler
+2. Veriyi işler
+3. Embedding'leri oluşturur
+4. Vector store'u hazırlar
+"""
+
+import sys
+import os
+
+# src klasörünü path'e ekle
+sys.path.append(os.path.join(os.path.dirname(__file__), 'src'))
+
+from data_loader import TDKDataLoader
+from embeddings import EmbeddingModel
+from vector_store import FAISSVectorStore
+
+
+def main():
+    """Ana hazırlık fonksiyonu."""
+
+    print("=" * 70)
+    print("TDK CHATBOT SİSTEM HAZIRLIĞI")
+    print("=" * 70)
+    print()
+
+    # ============================================
+    # ADIM 1: VERİ YÜKLEME
+    # ============================================
+    print("ADIM 1: Veri Yükleme")
+    print("-" * 70)
+
+    loader = TDKDataLoader(cache_dir="./data")
+
+    # Daha önce işlenmiş veri var mı kontrol et
+    processed_file = "./data/processed_tdk.json"
+
+    if os.path.exists(processed_file):
+        print("Daha önce işlenmiş veri bulundu, yükleniyor...")
+        documents = loader.load_processed_data()
+    else:
+        print("Veri ilk kez yükleniyor...")
+        loader.load_dataset()
+        loader.explore_data()
+        documents = loader.process_data()
+        loader.save_processed_data()
+
+    if not documents:
+        print("Veri yüklenemedi!")
+        return
+
+    print(f"Toplam {len(documents)} doküman hazır")
+    print()
+
+    # ============================================
+    # ADIM 2: EMBEDDING OLUŞTURMA
+    # ============================================
+    print("ADIM 2: Embedding Oluşturma")
+    print("-" * 70)
+
+    embeddings_file = "./data/embeddings.pkl"
+
+    # Daha önce oluşturulmuş embedding var mı kontrol et
+    if os.path.exists(embeddings_file):
+        print("Daha önce oluşturulmuş embedding'ler bulundu, yükleniyor...")
+        embedding_data = EmbeddingModel.load_embeddings(embeddings_file)
+        embeddings = embedding_data['embeddings']
+        valid_documents = embedding_data['documents']
+    else:
+        print("Embedding'ler oluşturuluyor (bu işlem biraz zaman alabilir)...")
+
+        # Embedding modelini yükle
+        embedder = EmbeddingModel()
+
+        # Dokümanları embedding'e çevir
+        embeddings, valid_documents = embedder.encode_documents(documents)
+
+        # Kaydet
+        embedder.save_embeddings(embeddings, valid_documents, embeddings_file)
+
+    print(f"{len(valid_documents)} doküman için embedding hazır")
+    print(f"Embedding shape: {embeddings.shape}")
+    print()
+
+    # ============================================
+    # ADIM 3: VECTOR STORE OLUŞTURMA
+    # ============================================
+    print("ADIM 3: Vector Store Oluşturma")
+    print("-" * 70)
+
+    vector_store_path = "./data/vector_store"
+
+    # Vector store oluştur
+    store = FAISSVectorStore(embedding_dim=embeddings.shape[1])
+    store.create_index(embeddings, valid_documents)
+
+    # Kaydet
+    store.save(vector_store_path)
+
+    # İstatistikleri göster
+    store.get_stats()
+    print()
+
+    # ============================================
+    # ADIM 4: SİSTEM TESTİ
+    # ============================================
+    print("ADIM 4: Sistem Testi")
+    print("-" * 70)
+
+    # Embedding modelini test için yükle
+    embedder = EmbeddingModel()
+
+    # Test sorguları
+    test_queries = [
+        "kitap ne demek",
+        "sevgi nedir",
+        "bilgisayar kelimesinin anlamı"
+    ]
+
+    print("Test sorguları ile arama yapılıyor...\n")
+
+    for query in test_queries:
+        print(f"Sorgu: '{query}'")
+
+        # Sorguyu embedding'e çevir
+        query_emb = embedder.encode_single(query)
+
+        # Arama yap
+        results = store.search(query_emb, top_k=2)
+
+        # Sonuçları göster
+        for i, result in enumerate(results, 1):
+            kelime = result['document'].get('kelime', 'N/A')
+            anlam = result['document'].get('anlam', 'N/A')
+            score = result['score']
+
+            print(f"  {i}. Kelime: {kelime}")
+            print(f"     Anlam: {anlam[:100]}...")
+            print(f"     Benzerlik: {score:.4f}")
+        print()
+
+    # ============================================
+    # TAMAMLANDI
+    # ============================================
+    print("=" * 70)
+    print("SİSTEM HAZIRLIĞI TAMAMLANDI!")
+    print("=" * 70)
+    print()
+    print("Oluşturulan dosyalar:")
+    print(f"  - {processed_file}")
+    print(f"  - {embeddings_file}")
+    print(f"  - {vector_store_path}.index")
+    print(f"  - {vector_store_path}.pkl")
+    print()
+    print("Artık chatbot'u çalıştırmaya hazırsınız!")
+    print()
+
+
+if __name__ == "__main__":
+    try:
+        main()
+    except KeyboardInterrupt:
+        print("\n\nİşlem kullanıcı tarafından durduruldu.")
+    except Exception as e:
+        print(f"\n\nHata oluştu: {e}")
+        import traceback
+
+        traceback.print_exc()

requirements.txt

@@ -0,0 +1,23 @@
+# Veri işleme
+datasets==4.2.0
+pandas==2.3.3
+numpy==2.2.6
+
+# Embedding ve Vector Store
+sentence-transformers==5.1.1
+chromadb==1.1.1
+faiss-cpu==1.12.0
+
+# LLM ve RAG
+google-generativeai==0.8.3
+langchain==0.3.27
+langchain-core==0.3.79
+langchain-google-genai==2.0.8
+langchain-community==0.3.19
+
+# Web Framework
+Flask==3.1.2
+python-dotenv==1.1.1
+
+# Yardımcı
+tqdm==4.67.1

src/chatbot.py

@@ -0,0 +1,317 @@
+"""
+RAG Chatbot - Gemini 2.0 ile TDK Sözlük asistanı.
+
+Bu modül:
+1. Kullanıcı sorusunu alır
+2. Vector store'dan ilgili dokümanları bulur
+3. Gemini'ye gönderir
+4. Akıllı bir yanıt üretir
+"""
+
+import google.generativeai as genai
+from embeddings import EmbeddingModel
+from vector_store import FAISSVectorStore
+import os
+from dotenv import load_dotenv
+
+
+class TDKChatbot:
+    """TDK Sözlük RAG Chatbot."""
+
+    def __init__(self, api_key=None, vector_store_path="./data/vector_store"):
+        """
+        Args:
+            api_key: Gemini API anahtarı
+            vector_store_path: Vector store dosya yolu
+        """
+        # Environment variables yükle
+        load_dotenv()
+
+        # API key kontrolü
+        self.api_key = api_key or os.getenv('GEMINI_API_KEY')
+        if not self.api_key:
+            raise ValueError("GEMINI_API_KEY bulunamadı! .env dosyasını kontrol edin.")
+
+        print("TDK Chatbot başlatılıyor...")
+
+        # Gemini'yi yapılandır
+        genai.configure(api_key=self.api_key)
+
+        # Gemini modelini seç (2.0 Flash - hızlı ve güçlü)
+        self.model = genai.GenerativeModel('gemini-2.0-flash-exp')
+        print("Gemini 2.0 Flash modeli yüklendi")
+
+        # Embedding modelini yükle
+        print("Embedding modeli yükleniyor...")
+        self.embedder = EmbeddingModel()
+
+        # Vector store'u yükle
+        print("Vector store yükleniyor...")
+        self.vector_store = FAISSVectorStore()
+        if not self.vector_store.load(vector_store_path):
+            raise ValueError("Vector store yüklenemedi!")
+
+        print("Chatbot hazır!\n")
+
+    def search_relevant_docs(self, query, top_k=5):
+        """
+        Sorguyla ilgili dokümanları bulur.
+        Hem embedding benzerliği hem de kelime eşleştirme kullanır.
+
+        Args:
+            query: Kullanıcı sorusu
+            top_k: Kaç doküman getirilecek
+
+        Returns:
+            list: İlgili dokümanlar
+        """
+        # Sorguyu embedding'e çevir
+        query_embedding = self.embedder.encode_single(query)
+
+        # 1. Önce kelime bazlı eşleştirme yap (çok daha etkili!)
+        query_lower = query.lower()
+        query_words = query_lower.split()
+
+        # Sorgudan "ne demek", "nedir", "anlamı" gibi kelimeleri çıkar
+        stop_words = ['ne', 'nedir', 'demek', 'anlamı', 'anlam', 'kelimesinin',
+                      'kelimesi', 'nedir', 'açıklar', 'mısın', 'misin', 'anlamına',
+                      'hakkında', 'için', 'nasıl', 'bir', 'bu']
+
+        search_terms = [word for word in query_words if word not in stop_words and len(word) > 2]
+
+        # 2. Önce tam kelime eşleşmesi ara
+        exact_matches = []
+        if search_terms:
+            main_term = search_terms[0]  # İlk anlamlı kelime
+
+            for i, doc in enumerate(self.vector_store.documents):
+                doc_kelime = doc.get('kelime', '').lower()
+
+                # Tam eşleşme
+                if doc_kelime == main_term:
+                    exact_matches.append({
+                        'score': 1.0,  # En yüksek skor
+                        'document': doc,
+                        'distance': 0.0,
+                        'match_type': 'exact'
+                    })
+                # Kısmi eşleşme (kelime içeriyor)
+                elif main_term in doc_kelime or doc_kelime in main_term:
+                    exact_matches.append({
+                        'score': 0.8,
+                        'document': doc,
+                        'distance': 0.2,
+                        'match_type': 'partial'
+                    })
+
+        # 3. Eğer tam eşleşme varsa, önce onları döndür
+        if exact_matches:
+            # Skorlara göre sırala
+            exact_matches.sort(key=lambda x: x['score'], reverse=True)
+            return exact_matches[:top_k]
+
+        # 4. Tam eşleşme yoksa embedding araması yap
+        results = self.vector_store.search(query_embedding, top_k=top_k * 2)
+
+        # 5. Sonuçları filtrele - çok düşük skorları at
+        filtered_results = [r for r in results if r['score'] > 0.001]
+
+        return filtered_results[:top_k]
+
+    def create_context(self, results):
+        """
+        Bulunan dokümanlardan context oluşturur.
+
+        Args:
+            results: Arama sonuçları
+
+        Returns:
+            str: Context metni
+        """
+        if not results:
+            return "İlgili bilgi bulunamadı."
+
+        context = "İlgili TDK Sözlük bilgileri:\n\n"
+
+        for i, result in enumerate(results, 1):
+            doc = result['document']
+            kelime = doc.get('kelime', 'N/A')
+            anlam = doc.get('anlam', 'N/A')
+            text = doc.get('text', '')
+
+            context += f"{i}. **{kelime}**\n"
+            context += f"   {anlam}\n"
+
+            # Örnek varsa ekle
+            if "Örnekler:" in text:
+                ornekler = text.split("Örnekler:")[1].strip()
+                if ornekler:
+                    context += f"   Örnekler: {ornekler[:200]}\n"
+
+            context += "\n"
+
+        return context
+
+    def generate_response(self, query, context):
+        """
+        Gemini ile yanıt üretir.
+
+        Args:
+            query: Kullanıcı sorusu
+            context: İlgili dokümanlar
+
+        Returns:
+            str: Gemini'nin yanıtı
+        """
+        # Prompt oluştur
+        prompt = f"""Sen TDK Sözlük asistanısın. Türkçe kelimeler hakkında bilgi veren yardımcı bir asistandsın.
+
+GÖREV:
+Kullanıcının sorusunu aşağıdaki TDK Sözlük bilgilerine göre yanıtla.
+
+KURALLAR:
+1. Sadece verilen TDK bilgilerini kullan
+2. Net, anlaşılır ve dostça yanıt ver
+3. Kelime anlamlarını açıklarken örnekler ver
+4. Bilgi yoksa "Bu kelime hakkında TDK Sözlük'te bilgi bulamadım" de
+5. Türkçe dilbilgisi kurallarına uy
+
+TDK SÖZLÜK BİLGİLERİ:
+{context}
+
+KULLANICI SORUSU:
+{query}
+
+YANITINIZ:"""
+
+        try:
+            # Gemini'den yanıt al
+            response = self.model.generate_content(prompt)
+            return response.text
+
+        except Exception as e:
+            return f"Yanıt oluşturulurken hata: {str(e)}"
+
+    def chat(self, query, top_k=5, show_context=False):
+        """
+        Ana chatbot fonksiyonu.
+
+        Args:
+            query: Kullanıcı sorusu
+            top_k: Kaç doküman kullanılacak
+            show_context: Context'i göster
+
+        Returns:
+            dict: Yanıt ve metadata
+        """
+        if not query or not query.strip():
+            return {
+                'response': "Lütfen bir soru sorun.",
+                'context': None,
+                'results': []
+            }
+
+        # 1. İlgili dokümanları bul
+        results = self.search_relevant_docs(query, top_k=top_k)
+
+        if not results:
+            return {
+                'response': "Bu konuda TDK Sözlük'te bilgi bulamadım. Başka bir şey sorar mısınız?",
+                'context': None,
+                'results': []
+            }
+
+        # 2. Context oluştur
+        context = self.create_context(results)
+
+        # 3. Gemini ile yanıt üret
+        response = self.generate_response(query, context)
+
+        # 4. Sonucu döndür
+        result = {
+            'response': response,
+            'results': results,
+            'query': query
+        }
+
+        if show_context:
+            result['context'] = context
+
+        return result
+
+    def interactive_mode(self):
+        """Terminal'de interaktif sohbet modu."""
+        print("=" * 70)
+        print("TDK CHATBOT - İNTERAKTİF MOD")
+        print("=" * 70)
+        print("Türkçe kelimeler hakkında soru sorun!")
+        print("Çıkmak için 'exit', 'quit' veya 'çıkış' yazın.\n")
+
+        while True:
+            try:
+                # Kullanıcı girişi al
+                query = input("Siz: ").strip()
+
+                # Çıkış kontrolü
+                if query.lower() in ['exit', 'quit', 'çıkış', 'q']:
+                    print("\nGörüşmek üzere!")
+                    break
+
+                if not query:
+                    continue
+
+                # Yanıt üret
+                print("\nTDK Asistanı düşünüyor...\n")
+                result = self.chat(query)
+
+                # Yanıtı göster
+                print(f"TDK Asistanı: {result['response']}\n")
+
+                # Kaynak kelimeleri göster
+                if result['results']:
+                    print("Kaynak kelimeler:", end=" ")
+                    kelimeler = [r['document']['kelime'] for r in result['results'][:3]]
+                    print(", ".join(kelimeler))
+                    print()
+
+            except KeyboardInterrupt:
+                print("\n\nGörüşmek üzere!")
+                break
+            except Exception as e:
+                print(f"\nHata: {e}\n")
+
+
+# Test için main fonksiyonu
+if __name__ == "__main__":
+    try:
+        # Chatbot'u başlat
+        chatbot = TDKChatbot()
+
+        # Test sorguları
+        test_queries = [
+            "kitap ne demek?",
+            "sevgi kelimesinin anlamı nedir?",
+            "bilgisayar nedir?",
+            "merhaba kelimesini açıklar mısın?"
+        ]
+
+        print("=" * 70)
+        print("TEST SORULARI")
+        print("=" * 70)
+        print()
+
+        for query in test_queries:
+            print(f"Soru: {query}")
+            result = chatbot.chat(query, top_k=3)
+            print(f"Yanıt: {result['response']}\n")
+            print("-" * 70)
+            print()
+
+        # İnteraktif mod başlat
+        chatbot.interactive_mode()
+
+    except Exception as e:
+        print(f"Hata: {e}")
+        import traceback
+
+        traceback.print_exc()

src/data_loader.py

@@ -0,0 +1,224 @@
+"""
+TDK Sözlük veri setini yükleyen ve işleyen modül.
+
+Bu modül Hugging Face'den veri setini indirir, temizler ve
+RAG sistemi için uygun formata dönüştürür.
+"""
+
+from datasets import load_dataset
+import pandas as pd
+from tqdm import tqdm
+import json
+import os
+
+
+class TDKDataLoader:
+    """TDK Sözlük veri setini yükler ve işler."""
+
+    def __init__(self, cache_dir="./data"):
+        """
+        Args:
+            cache_dir: Veri setinin kaydedileceği klasör
+        """
+        self.cache_dir = cache_dir
+        self.dataset = None
+        self.processed_data = []
+
+        # Klasör yoksa oluştur
+        os.makedirs(cache_dir, exist_ok=True)
+
+    def load_dataset(self):
+        """
+        Hugging Face'den TDK Sözlük veri setini yükler.
+
+        Returns:
+            Dataset objesi
+        """
+        print("📚 TDK Sözlük veri seti yükleniyor...")
+
+        try:
+            # Veri setini yükle
+            self.dataset = load_dataset("Ba2han/TDK_Sozluk-Turkish-v2")
+            print(f"Veri seti başarıyla yüklendi!")
+            print(f"Toplam kayıt sayısı: {len(self.dataset['train'])}")
+
+            return self.dataset
+
+        except Exception as e:
+            print(f"Veri seti yüklenirken hata: {e}")
+            return None
+
+    def explore_data(self):
+        """Veri setinin yapısını inceler ve örnek gösterir."""
+
+        if self.dataset is None:
+            print("Önce veri setini yüklemelisiniz!")
+            return
+
+        print("\n" + "=" * 60)
+        print("VERİ SETİ YAPISI")
+        print("=" * 60)
+
+        # İlk kaydı göster
+        first_item = self.dataset['train'][0]
+
+        print("\nİlk kayıt örneği:")
+        print("-" * 60)
+        for key, value in first_item.items():
+            # Uzun metinleri kısalt
+            if isinstance(value, str) and len(value) > 200:
+                print(f"{key}: {value[:200]}...")
+            else:
+                print(f"{key}: {value}")
+
+        print("\nSütun bilgileri:")
+        print("-" * 60)
+        for key in first_item.keys():
+            print(f"• {key}")
+
+        # Birkaç örnek daha göster
+        print("\nÖrnek kelimeler:")
+        print("-" * 60)
+        for i in range(min(10, len(self.dataset['train']))):
+            item = self.dataset['train'][i]
+            madde = item.get('madde', 'N/A')
+            anlam = item.get('anlam', '')
+
+            # Anlam tipini göster
+            anlam_type = type(anlam).__name__
+            print(f"{i + 1}. {madde} (anlam tipi: {anlam_type})")
+
+            # İlk anlamı göster
+            if isinstance(anlam, str) and anlam:
+                try:
+                    import json
+                    anlam_parsed = json.loads(anlam)
+                    if isinstance(anlam_parsed, list) and anlam_parsed:
+                        first_anlam = anlam_parsed[0]
+                        if isinstance(first_anlam, dict):
+                            print(f"   → {first_anlam.get('anlam', 'N/A')[:100]}")
+                except:
+                    print(f"   → {anlam[:100]}")
+
+    def process_data(self):
+        """
+        Veri setini RAG için uygun formata dönüştürür.
+
+        Bu veri setinde her satır tek bir kelime-anlam çifti içeriyor.
+        Çok basit ve düz bir yapı.
+        """
+
+        if self.dataset is None:
+            print("Önce veri setini yüklemelisiniz!")
+            return None
+
+        print("\nVeri işleniyor...")
+
+        self.processed_data = []
+        error_count = 0
+
+        # Her kelimeyi işle
+        for item in tqdm(self.dataset['train'], desc="İşleniyor"):
+            try:
+                # Alanları al - None değerleri boş string'e çevir
+                kelime = str(item.get('madde', '')).strip()
+                anlam = str(item.get('anlam', '')).strip()
+                ornek = str(item.get('ornek', '') or '').strip()
+                ai_ornek = str(item.get('ai_ornek', '') or '').strip()
+
+                # Kelime veya anlam boş ise atla
+                if not kelime or not anlam or kelime == 'None' or anlam == 'None':
+                    error_count += 1
+                    continue
+
+                # Tam metin oluştur (RAG için zengin context)
+                full_text = f"Kelime: {kelime}\n\n"
+                full_text += f"Anlam: {anlam}\n"
+
+                # Örnek varsa ekle
+                if ornek and ornek != 'None':
+                    full_text += f"\nÖrnek kullanım: {ornek}\n"
+
+                # AI örneği varsa ekle (daha detaylı)
+                if ai_ornek and ai_ornek != 'None':
+                    full_text += f"\nDetaylı örnek: {ai_ornek}\n"
+
+                # Doküman oluştur
+                doc = {
+                    'text': full_text.strip(),
+                    'kelime': kelime,
+                    'anlam': anlam,
+                    'ornek': ornek if (ornek and ornek != 'None') else None,
+                    'ai_ornek': ai_ornek if (ai_ornek and ai_ornek != 'None') else None
+                }
+
+                self.processed_data.append(doc)
+
+            except Exception as e:
+                error_count += 1
+                continue
+
+        print(f"{len(self.processed_data)} doküman oluşturuldu!")
+        if error_count > 0:
+            print(f"{error_count} kayıt işlenirken hata oluştu (atlandı)")
+
+        return self.processed_data
+
+    def save_processed_data(self, filename="processed_tdk.json"):
+        """İşlenmiş veriyi JSON olarak kaydeder."""
+
+        if not self.processed_data:
+            print("Önce veriyi işlemelisiniz!")
+            return
+
+        filepath = os.path.join(self.cache_dir, filename)
+
+        with open(filepath, 'w', encoding='utf-8') as f:
+            json.dump(self.processed_data, f, ensure_ascii=False, indent=2)
+
+        print(f"Veri kaydedildi: {filepath}")
+
+    def load_processed_data(self, filename="processed_tdk.json"):
+        """Daha önce kaydedilmiş işlenmiş veriyi yükler."""
+
+        filepath = os.path.join(self.cache_dir, filename)
+
+        if not os.path.exists(filepath):
+            print(f"Dosya bulunamadı: {filepath}")
+            return None
+
+        with open(filepath, 'r', encoding='utf-8') as f:
+            self.processed_data = json.load(f)
+
+        print(f"{len(self.processed_data)} doküman yüklendi!")
+        return self.processed_data
+
+
+# Test için main fonksiyonu
+if __name__ == "__main__":
+    # Veri yükleyiciyi oluştur
+    loader = TDKDataLoader()
+
+    # Veri setini yükle
+    loader.load_dataset()
+
+    # Veri yapısını incele
+    loader.explore_data()
+
+    # Veriyi işle
+    loader.process_data()
+
+    # İlk 3 dokümanı göster
+    if loader.processed_data:
+        print("\n" + "=" * 60)
+        print("İLK 3 İŞLENMİŞ DOKÜMAN")
+        print("=" * 60)
+        for i, doc in enumerate(loader.processed_data[:3], 1):
+            print(f"\n{i}. Doküman:")
+            print(f"Kelime: {doc['kelime']}")
+            print(f"Text:\n{doc['text']}")
+
+    # İşlenmiş veriyi kaydet
+    loader.save_processed_data()
+
+    print("\n✨ İşlem tamamlandı!")

src/embeddings.py

@@ -0,0 +1,217 @@
+"""
+Embedding modeli yönetimi.
+
+Bu modül metinleri sayısal vektörlere dönüştürmek için
+sentence-transformers kütüphanesini kullanır.
+"""
+
+from sentence_transformers import SentenceTransformer
+import numpy as np
+from tqdm import tqdm
+import pickle
+import os
+
+
+class EmbeddingModel:
+    """Türkçe metinler için embedding modeli."""
+
+    def __init__(self, model_name="emrecan/bert-base-turkish-cased-mean-nli-stsb-tr"):
+        """
+        Args:
+            model_name: Kullanılacak embedding modeli.
+                       Türkçe için özel eğitilmiş model kullanıyoruz.
+        """
+        print(f"🤖 Embedding modeli yükleniyor: {model_name}")
+
+        try:
+            self.model = SentenceTransformer(model_name)
+            self.model_name = model_name
+            print("Model başarıyla yüklendi!")
+
+            # Model bilgilerini göster
+            embedding_dim = self.model.get_sentence_embedding_dimension()
+            print(f"Embedding boyutu: {embedding_dim}")
+
+        except Exception as e:
+            print(f"Model yüklenirken hata: {e}")
+            raise
+
+    def encode_single(self, text):
+        """
+        Tek bir metni embedding'e çevirir.
+
+        Args:
+            text: Çevrilecek metin
+
+        Returns:
+            numpy array: Embedding vektörü
+        """
+        if not text or not isinstance(text, str):
+            return None
+
+        try:
+            embedding = self.model.encode(text, convert_to_numpy=True)
+            return embedding
+        except Exception as e:
+            print(f"Encoding hatası: {e}")
+            return None
+
+    def encode_batch(self, texts, batch_size=32, show_progress=True):
+        """
+        Birden fazla metni toplu olarak embedding'e çevirir.
+
+        Args:
+            texts: Metin listesi
+            batch_size: Aynı anda işlenecek metin sayısı
+            show_progress: İlerleme çubuğu göster
+
+        Returns:
+            numpy array: Embedding matrisi (n_texts, embedding_dim)
+        """
+        if not texts:
+            return np.array([])
+
+        print(f"{len(texts)} metin embedding'e çevriliyor...")
+
+        try:
+            embeddings = self.model.encode(
+                texts,
+                batch_size=batch_size,
+                show_progress_bar=show_progress,
+                convert_to_numpy=True
+            )
+
+            print(f"Embedding tamamlandı! Shape: {embeddings.shape}")
+            return embeddings
+
+        except Exception as e:
+            print(f"Batch encoding hatası: {e}")
+            return None
+
+    def encode_documents(self, documents, text_key='text'):
+        """
+        Doküman listesini embedding'e çevirir.
+
+        Args:
+            documents: Doküman listesi (dict formatında)
+            text_key: Metin alanının key'i
+
+        Returns:
+            tuple: (embeddings, valid_documents)
+        """
+        if not documents:
+            return None, []
+
+        # Metinleri çıkar
+        texts = []
+        valid_docs = []
+
+        for doc in documents:
+            text = doc.get(text_key, '')
+            if text and isinstance(text, str):
+                texts.append(text)
+                valid_docs.append(doc)
+
+        print(f"{len(valid_docs)} geçerli doküman bulundu")
+
+        # Embedding'leri oluştur
+        embeddings = self.encode_batch(texts)
+
+        return embeddings, valid_docs
+
+    def save_embeddings(self, embeddings, documents, filepath):
+        """
+        Embedding'leri ve dokümanları kaydeder.
+
+        Args:
+            embeddings: Embedding matrisi
+            documents: Doküman listesi
+            filepath: Kayıt yolu
+        """
+        data = {
+            'embeddings': embeddings,
+            'documents': documents,
+            'model_name': self.model_name
+        }
+
+        # Klasör yoksa oluştur
+        os.makedirs(os.path.dirname(filepath), exist_ok=True)
+
+        with open(filepath, 'wb') as f:
+            pickle.dump(data, f)
+
+        print(f"Embedding'ler kaydedildi: {filepath}")
+
+    @staticmethod
+    def load_embeddings(filepath):
+        """
+        Kaydedilmiş embedding'leri yükler.
+
+        Args:
+            filepath: Dosya yolu
+
+        Returns:
+            dict: {'embeddings', 'documents', 'model_name'}
+        """
+        if not os.path.exists(filepath):
+            print(f"Dosya bulunamadı: {filepath}")
+            return None
+
+        with open(filepath, 'rb') as f:
+            data = pickle.load(f)
+
+        print(f"Embedding'ler yüklendi: {filepath}")
+        print(f"Embedding shape: {data['embeddings'].shape}")
+        print(f"Model: {data['model_name']}")
+
+        return data
+
+    def test_similarity(self, text1, text2):
+        """
+        İki metin arasındaki benzerliği test eder.
+
+        Args:
+            text1, text2: Karşılaştırılacak metinler
+
+        Returns:
+            float: Benzerlik skoru (0-1 arası)
+        """
+        emb1 = self.encode_single(text1)
+        emb2 = self.encode_single(text2)
+
+        if emb1 is None or emb2 is None:
+            return None
+
+        # Cosine benzerliği hesapla
+        similarity = np.dot(emb1, emb2) / (np.linalg.norm(emb1) * np.linalg.norm(emb2))
+
+        print(f"\nBenzerlik Testi:")
+        print(f"Metin 1: {text1}")
+        print(f"Metin 2: {text2}")
+        print(f"Benzerlik: {similarity:.4f}")
+
+        return float(similarity)
+
+
+# Test için main fonksiyonu
+if __name__ == "__main__":
+    # Embedding modelini oluştur
+    embedder = EmbeddingModel()
+
+    # Basit test
+    print("\n" + "=" * 60)
+    print("BENZERLİK TESTİ")
+    print("=" * 60)
+
+    # Test metinleri
+    embedder.test_similarity(
+        "Kitap okumayı seviyorum",
+        "Okumak benim hobimdir"
+    )
+
+    embedder.test_similarity(
+        "Kitap okumayı seviyorum",
+        "Futbol oynamak eğlencelidir"
+    )
+
+    print("\n✨ Test tamamlandı!")

src/vector_store.py

@@ -0,0 +1,213 @@
+"""
+Vector Store yönetimi - FAISS kullanarak.
+
+FAISS (Facebook AI Similarity Search):
+Vektörler arasında çok hızlı benzerlik araması yapan kütüphane.
+"""
+
+import faiss
+import numpy as np
+import pickle
+import os
+from typing import List, Tuple
+
+
+class FAISSVectorStore:
+    """FAISS tabanlı vektör veritabanı."""
+
+    def __init__(self, embedding_dim=768):
+        """
+        Args:
+            embedding_dim: Embedding vektörlerinin boyutu
+        """
+        self.embedding_dim = embedding_dim
+        self.index = None
+        self.documents = []
+        self.is_trained = False
+
+    def create_index(self, embeddings, documents):
+        """
+        FAISS index'i oluşturur ve embedding'leri ekler.
+
+        Args:
+            embeddings: numpy array (n_docs, embedding_dim)
+            documents: Doküman listesi
+        """
+        print(f"🔨 FAISS index oluşturuluyor...")
+        print(f"Embedding shape: {embeddings.shape}")
+
+        # Boyut kontrolü
+        if embeddings.shape[1] != self.embedding_dim:
+            self.embedding_dim = embeddings.shape[1]
+            print(f"⚙️  Embedding boyutu güncellendi: {self.embedding_dim}")
+
+        # L2 (Euclidean) mesafe kullanarak index oluştur
+        # IndexFlatL2: En basit ve en doğru index tipi
+        self.index = faiss.IndexFlatL2(self.embedding_dim)
+
+        # Embedding'leri float32'ye çevir (FAISS zorunluluğu)
+        embeddings = embeddings.astype('float32')
+
+        # Index'e embedding'leri ekle
+        self.index.add(embeddings)
+        self.documents = documents
+        self.is_trained = True
+
+        print(f"Index oluşturuldu!")
+        print(f"Toplam doküman sayısı: {self.index.ntotal}")
+
+    def search(self, query_embedding, top_k=5):
+        """
+        Sorgu embedding'ine en benzer dokümanları bulur.
+
+        Args:
+            query_embedding: Sorgu vektörü
+            top_k: Kaç sonuç döndürülecek
+
+        Returns:
+            list: (skor, doküman) tuple'larının listesi
+        """
+        if not self.is_trained:
+            print("Index henüz oluşturulmamış!")
+            return []
+
+        # Query'yi doğru formata çevir
+        query_embedding = np.array([query_embedding]).astype('float32')
+
+        # Arama yap
+        distances, indices = self.index.search(query_embedding, top_k)
+
+        # Sonuçları hazırla
+        results = []
+        for dist, idx in zip(distances[0], indices[0]):
+            if idx < len(self.documents):
+                # Mesafeyi benzerlik skoruna çevir (düşük mesafe = yüksek benzerlik)
+                similarity = 1 / (1 + dist)
+                results.append({
+                    'score': float(similarity),
+                    'document': self.documents[idx],
+                    'distance': float(dist)
+                })
+
+        return results
+
+    def save(self, filepath):
+        """
+        Index ve dokümanları kaydeder.
+
+        Args:
+            filepath: Kayıt yolu (uzantısız)
+        """
+        if not self.is_trained:
+            print("Kaydedilecek bir index yok!")
+            return
+
+        # Klasör yoksa oluştur
+        os.makedirs(os.path.dirname(filepath) if os.path.dirname(filepath) else '.', exist_ok=True)
+
+        # FAISS index'i kaydet
+        index_path = f"{filepath}.index"
+        faiss.write_index(self.index, index_path)
+
+        # Dokümanları kaydet
+        docs_path = f"{filepath}.pkl"
+        with open(docs_path, 'wb') as f:
+            pickle.dump({
+                'documents': self.documents,
+                'embedding_dim': self.embedding_dim
+            }, f)
+
+        print(f"Vector store kaydedildi:")
+        print(f"  - Index: {index_path}")
+        print(f"  - Dokümanlar: {docs_path}")
+
+    def load(self, filepath):
+        """
+        Kaydedilmiş index ve dokümanları yükler.
+
+        Args:
+            filepath: Dosya yolu (uzantısız)
+        """
+        index_path = f"{filepath}.index"
+        docs_path = f"{filepath}.pkl"
+
+        # Dosya kontrolü
+        if not os.path.exists(index_path) or not os.path.exists(docs_path):
+            print("Dosyalar bulunamadı!")
+            return False
+
+        # Index'i yükle
+        self.index = faiss.read_index(index_path)
+
+        # Dokümanları yükle
+        with open(docs_path, 'rb') as f:
+            data = pickle.load(f)
+            self.documents = data['documents']
+            self.embedding_dim = data['embedding_dim']
+
+        self.is_trained = True
+
+        print(f"Vector store yüklendi:")
+        print(f"Doküman sayısı: {len(self.documents)}")
+        print(f"Embedding boyutu: {self.embedding_dim}")
+
+        return True
+
+    def get_stats(self):
+        """Index istatistiklerini gösterir."""
+        if not self.is_trained:
+            print("Index henüz oluşturulmamış!")
+            return
+
+        print("\n" + "=" * 60)
+        print("VECTOR STORE İSTATİSTİKLERİ")
+        print("=" * 60)
+        print(f"Toplam doküman: {self.index.ntotal}")
+        print(f"Embedding boyutu: {self.embedding_dim}")
+        print(f"Index tipi: {type(self.index).__name__}")
+        print("=" * 60)
+
+
+# Test için main fonksiyonu
+if __name__ == "__main__":
+    print("Vector Store Test Başlıyor...\n")
+
+    # Test için sahte veri oluştur
+    n_docs = 100
+    embedding_dim = 768
+
+    # Rastgele embedding'ler
+    test_embeddings = np.random.rand(n_docs, embedding_dim).astype('float32')
+
+    # Test dokümanları
+    test_documents = [
+        {'text': f'Test doküman {i}', 'id': i}
+        for i in range(n_docs)
+    ]
+
+    # Vector store oluştur
+    store = FAISSVectorStore(embedding_dim=embedding_dim)
+    store.create_index(test_embeddings, test_documents)
+
+    # İstatistikleri göster
+    store.get_stats()
+
+    # Arama testi
+    print("\nArama testi yapılıyor...")
+    query = np.random.rand(embedding_dim).astype('float32')
+    results = store.search(query, top_k=3)
+
+    print(f"\nEn benzer {len(results)} doküman:")
+    for i, result in enumerate(results, 1):
+        print(f"{i}. Skor: {result['score']:.4f} - {result['document']['text']}")
+
+    # Kaydetme testi
+    print("\nKaydetme testi...")
+    store.save("./data/test_store")
+
+    # Yükleme testi
+    print("\nYükleme testi...")
+    new_store = FAISSVectorStore()
+    new_store.load("./data/test_store")
+
+    print("\n✨ Test tamamlandı!")

static/style.css

@@ -0,0 +1,430 @@
+/* TDK Chatbot - Modern ve Profesyonel Tasarım */
+
+* {
+    margin: 0;
+    padding: 0;
+    box-sizing: border-box;
+}
+
+body {
+    font-family: 'Segoe UI', 'SF Pro Display', -apple-system, BlinkMacSystemFont, sans-serif;
+    background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+    min-height: 100vh;
+    display: flex;
+    justify-content: center;
+    align-items: center;
+    padding: 20px;
+}
+
+/* Ana Container */
+.container {
+    max-width: 1000px;
+    width: 100%;
+    background: white;
+    border-radius: 24px;
+    box-shadow: 0 20px 80px rgba(0,0,0,0.3);
+    overflow: hidden;
+    backdrop-filter: blur(10px);
+}
+
+/* Header */
+.header {
+    background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+    color: white;
+    padding: 35px 40px;
+    text-align: center;
+    position: relative;
+    overflow: hidden;
+}
+
+.header::before {
+    content: '';
+    position: absolute;
+    top: -50%;
+    left: -50%;
+    width: 200%;
+    height: 200%;
+    background: radial-gradient(circle, rgba(255,255,255,0.1) 0%, transparent 70%);
+    animation: pulse 15s ease-in-out infinite;
+}
+
+@keyframes pulse {
+    0%, 100% { transform: scale(1) rotate(0deg); }
+    50% { transform: scale(1.1) rotate(180deg); }
+}
+
+.header h1 {
+    font-size: 2.2em;
+    margin-bottom: 12px;
+    font-weight: 700;
+    position: relative;
+    z-index: 1;
+    text-shadow: 0 2px 10px rgba(0,0,0,0.2);
+}
+
+.header p {
+    opacity: 0.95;
+    font-size: 1.15em;
+    position: relative;
+    z-index: 1;
+    font-weight: 400;
+}
+
+/* Chat Container */
+.chat-container {
+    height: 550px;
+    overflow-y: auto;
+    padding: 35px;
+    background: linear-gradient(to bottom, #f8f9fa 0%, #ffffff 100%);
+    scroll-behavior: smooth;
+}
+
+/* Scrollbar Styling */
+.chat-container::-webkit-scrollbar {
+    width: 8px;
+}
+
+.chat-container::-webkit-scrollbar-track {
+    background: #f1f1f1;
+    border-radius: 10px;
+}
+
+.chat-container::-webkit-scrollbar-thumb {
+    background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+    border-radius: 10px;
+}
+
+.chat-container::-webkit-scrollbar-thumb:hover {
+    background: linear-gradient(135deg, #5568d3 0%, #653a8b 100%);
+}
+
+/* Messages */
+.message {
+    margin-bottom: 24px;
+    display: flex;
+    gap: 12px;
+    animation: fadeSlideIn 0.4s ease-out;
+}
+
+@keyframes fadeSlideIn {
+    from {
+        opacity: 0;
+        transform: translateY(20px);
+    }
+    to {
+        opacity: 1;
+        transform: translateY(0);
+    }
+}
+
+.message.user {
+    justify-content: flex-end;
+}
+
+.message-content {
+    max-width: 75%;
+    padding: 16px 22px;
+    border-radius: 18px;
+    word-wrap: break-word;
+    line-height: 1.6;
+    box-shadow: 0 2px 10px rgba(0,0,0,0.08);
+    transition: transform 0.2s, box-shadow 0.2s;
+}
+
+.message-content:hover {
+    transform: translateY(-2px);
+    box-shadow: 0 4px 20px rgba(0,0,0,0.12);
+}
+
+.user .message-content {
+    background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+    color: white;
+    border-bottom-right-radius: 6px;
+    font-weight: 500;
+}
+
+.bot .message-content {
+    background: white;
+    color: #2d3748;
+    border: 1.5px solid #e2e8f0;
+    border-bottom-left-radius: 6px;
+}
+
+.bot .message-content strong {
+    color: #667eea;
+    font-weight: 600;
+}
+
+.bot .message-content em {
+    font-style: italic;
+    color: #4a5568;
+}
+
+/* Sources */
+.sources {
+    margin-top: 18px;
+    padding: 18px;
+    background: linear-gradient(to bottom, #f7fafc 0%, #edf2f7 100%);
+    border-radius: 12px;
+    font-size: 0.92em;
+    border: 1px solid #e2e8f0;
+}
+
+.sources h4 {
+    margin-bottom: 12px;
+    color: #667eea;
+    font-weight: 600;
+    font-size: 1.05em;
+    display: flex;
+    align-items: center;
+    gap: 8px;
+}
+
+.source-item {
+    margin-bottom: 10px;
+    padding: 12px 14px;
+    background: white;
+    border-radius: 8px;
+    border-left: 3px solid #667eea;
+    transition: all 0.2s;
+}
+
+.source-item:hover {
+    border-left-color: #764ba2;
+    transform: translateX(4px);
+    box-shadow: 0 2px 8px rgba(102, 126, 234, 0.15);
+}
+
+.source-item strong {
+    color: #764ba2;
+    display: block;
+    margin-bottom: 6px;
+    font-size: 1.05em;
+}
+
+/* Input Container */
+.input-container {
+    padding: 25px 35px;
+    background: white;
+    border-top: 2px solid #f0f0f0;
+    box-shadow: 0 -5px 20px rgba(0,0,0,0.05);
+}
+
+.input-form {
+    display: flex;
+    gap: 12px;
+    align-items: center;
+}
+
+#messageInput {
+    flex: 1;
+    padding: 16px 24px;
+    border: 2px solid #e2e8f0;
+    border-radius: 30px;
+    font-size: 1.02em;
+    outline: none;
+    transition: all 0.3s;
+    font-family: inherit;
+}
+
+#messageInput:focus {
+    border-color: #667eea;
+    box-shadow: 0 0 0 4px rgba(102, 126, 234, 0.1);
+}
+
+#messageInput::placeholder {
+    color: #a0aec0;
+}
+
+#sendButton {
+    padding: 16px 40px;
+    background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+    color: white;
+    border: none;
+    border-radius: 30px;
+    font-size: 1.02em;
+    font-weight: 600;
+    cursor: pointer;
+    transition: all 0.3s;
+    box-shadow: 0 4px 15px rgba(102, 126, 234, 0.4);
+}
+
+#sendButton:hover {
+    transform: translateY(-3px);
+    box-shadow: 0 8px 25px rgba(102, 126, 234, 0.5);
+}
+
+#sendButton:active {
+    transform: translateY(-1px);
+}
+
+#sendButton:disabled {
+    opacity: 0.6;
+    cursor: not-allowed;
+    transform: none;
+}
+
+/* Loading Animation */
+.loading {
+    display: none;
+    text-align: center;
+    padding: 12px;
+}
+
+.loading.active {
+    display: block;
+}
+
+.loading-dots {
+    display: inline-flex;
+    gap: 6px;
+}
+
+.loading-dots span {
+    width: 10px;
+    height: 10px;
+    background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+    border-radius: 50%;
+    animation: bounce 1.4s infinite ease-in-out;
+}
+
+.loading-dots span:nth-child(1) {
+    animation-delay: -0.32s;
+}
+
+.loading-dots span:nth-child(2) {
+    animation-delay: -0.16s;
+}
+
+@keyframes bounce {
+    0%, 80%, 100% {
+        transform: scale(0);
+        opacity: 0.5;
+    }
+    40% {
+        transform: scale(1);
+        opacity: 1;
+    }
+}
+
+/* Welcome Message */
+.welcome-message {
+    text-align: center;
+    padding: 50px 30px;
+    color: #4a5568;
+}
+
+.welcome-message h2 {
+    color: #667eea;
+    margin-bottom: 18px;
+    font-size: 1.8em;
+    font-weight: 700;
+}
+
+.welcome-message p {
+    font-size: 1.1em;
+    color: #718096;
+    margin-bottom: 10px;
+}
+
+.example-questions {
+    margin-top: 28px;
+    display: flex;
+    flex-wrap: wrap;
+    gap: 12px;
+    justify-content: center;
+}
+
+.example-btn {
+    padding: 12px 24px;
+    background: white;
+    border: 2px solid #667eea;
+    color: #667eea;
+    border-radius: 25px;
+    cursor: pointer;
+    transition: all 0.3s;
+    font-size: 0.95em;
+    font-weight: 600;
+    box-shadow: 0 2px 8px rgba(102, 126, 234, 0.2);
+}
+
+.example-btn:hover {
+    background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+    color: white;
+    transform: translateY(-3px);
+    box-shadow: 0 6px 20px rgba(102, 126, 234, 0.4);
+}
+
+.example-btn:active {
+    transform: translateY(-1px);
+}
+
+/* Responsive Design */
+@media (max-width: 768px) {
+    .container {
+        height: 100vh;
+        border-radius: 0;
+        max-width: 100%;
+    }
+
+    .header h1 {
+        font-size: 1.6em;
+    }
+
+    .header p {
+        font-size: 1em;
+    }
+
+    .chat-container {
+        height: calc(100vh - 280px);
+        padding: 20px;
+    }
+
+    .message-content {
+        max-width: 85%;
+        padding: 14px 18px;
+    }
+
+    .input-container {
+        padding: 18px 20px;
+    }
+
+    #messageInput {
+        padding: 14px 20px;
+        font-size: 1em;
+    }
+
+    #sendButton {
+        padding: 14px 28px;
+        font-size: 1em;
+    }
+
+    .example-questions {
+        flex-direction: column;
+    }
+
+    .example-btn {
+        width: 100%;
+    }
+}
+
+@media (max-width: 480px) {
+    .header {
+        padding: 25px 20px;
+    }
+
+    .header h1 {
+        font-size: 1.4em;
+    }
+
+    .welcome-message h2 {
+        font-size: 1.4em;
+    }
+}
+
+/* Dark Mode Support (Optional) */
+@media (prefers-color-scheme: dark) {
+    body {
+        background: linear-gradient(135deg, #1a1a2e 0%, #16213e 100%);
+    }
+}

templates/index.html

@@ -0,0 +1,434 @@
+<!DOCTYPE html>
+<html lang="tr">
+<head>
+    <meta charset="UTF-8">
+    <meta name="viewport" content="width=device-width, initial-scale=1.0">
+    <title>TDK Sözlük Asistanı - RAG Chatbot</title>
+    <style>
+        * {
+            margin: 0;
+            padding: 0;
+            box-sizing: border-box;
+        }
+
+        body {
+            font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
+            background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+            min-height: 100vh;
+            display: flex;
+            justify-content: center;
+            align-items: center;
+            padding: 20px;
+        }
+
+        .container {
+            max-width: 900px;
+            width: 100%;
+            background: white;
+            border-radius: 20px;
+            box-shadow: 0 20px 60px rgba(0,0,0,0.3);
+            overflow: hidden;
+        }
+
+        .header {
+            background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+            color: white;
+            padding: 30px;
+            text-align: center;
+        }
+
+        .header h1 {
+            font-size: 2em;
+            margin-bottom: 10px;
+        }
+
+        .header p {
+            opacity: 0.9;
+            font-size: 1.1em;
+        }
+
+        .chat-container {
+            height: 500px;
+            overflow-y: auto;
+            padding: 30px;
+            background: #f8f9fa;
+        }
+
+        .message {
+            margin-bottom: 20px;
+            display: flex;
+            gap: 10px;
+            animation: fadeIn 0.3s ease-in;
+        }
+
+        @keyframes fadeIn {
+            from { opacity: 0; transform: translateY(10px); }
+            to { opacity: 1; transform: translateY(0); }
+        }
+
+        .message.user {
+            justify-content: flex-end;
+        }
+
+        .message-content {
+            max-width: 70%;
+            padding: 15px 20px;
+            border-radius: 15px;
+            word-wrap: break-word;
+        }
+
+        .user .message-content {
+            background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+            color: white;
+            border-bottom-right-radius: 5px;
+        }
+
+        .bot .message-content {
+            background: white;
+            color: #333;
+            border: 1px solid #e0e0e0;
+            border-bottom-left-radius: 5px;
+        }
+
+        .sources {
+            margin-top: 15px;
+            padding: 15px;
+            background: #f0f0f0;
+            border-radius: 10px;
+            font-size: 0.9em;
+        }
+
+        .sources h4 {
+            margin-bottom: 10px;
+            color: #667eea;
+        }
+
+        .source-item {
+            margin-bottom: 8px;
+            padding: 8px;
+            background: white;
+            border-radius: 5px;
+        }
+
+        .source-item strong {
+            color: #764ba2;
+        }
+
+        .input-container {
+            padding: 20px 30px;
+            background: white;
+            border-top: 1px solid #e0e0e0;
+        }
+
+        .input-form {
+            display: flex;
+            gap: 10px;
+        }
+
+        #messageInput {
+            flex: 1;
+            padding: 15px 20px;
+            border: 2px solid #e0e0e0;
+            border-radius: 25px;
+            font-size: 1em;
+            outline: none;
+            transition: border-color 0.3s;
+        }
+
+        #messageInput:focus {
+            border-color: #667eea;
+        }
+
+        #sendButton {
+            padding: 15px 35px;
+            background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+            color: white;
+            border: none;
+            border-radius: 25px;
+            font-size: 1em;
+            cursor: pointer;
+            transition: transform 0.2s, box-shadow 0.2s;
+        }
+
+        #sendButton:hover {
+            transform: translateY(-2px);
+            box-shadow: 0 5px 15px rgba(102, 126, 234, 0.4);
+        }
+
+        #sendButton:disabled {
+            opacity: 0.6;
+            cursor: not-allowed;
+            transform: none;
+        }
+
+        .loading {
+            display: none;
+            text-align: center;
+            padding: 10px;
+        }
+
+        .loading.active {
+            display: block;
+        }
+
+        .loading-dots {
+            display: inline-block;
+        }
+
+        .loading-dots span {
+            display: inline-block;
+            width: 8px;
+            height: 8px;
+            background: #667eea;
+            border-radius: 50%;
+            margin: 0 3px;
+            animation: bounce 1.4s infinite ease-in-out both;
+        }
+
+        .loading-dots span:nth-child(1) {
+            animation-delay: -0.32s;
+        }
+
+        .loading-dots span:nth-child(2) {
+            animation-delay: -0.16s;
+        }
+
+        @keyframes bounce {
+            0%, 80%, 100% {
+                transform: scale(0);
+            }
+            40% {
+                transform: scale(1);
+            }
+        }
+
+        .welcome-message {
+            text-align: center;
+            padding: 40px 20px;
+            color: #666;
+        }
+
+        .welcome-message h2 {
+            color: #667eea;
+            margin-bottom: 15px;
+        }
+
+        .example-questions {
+            margin-top: 20px;
+            display: flex;
+            flex-wrap: wrap;
+            gap: 10px;
+            justify-content: center;
+        }
+
+        .example-btn {
+            padding: 10px 20px;
+            background: white;
+            border: 2px solid #667eea;
+            color: #667eea;
+            border-radius: 20px;
+            cursor: pointer;
+            transition: all 0.3s;
+        }
+
+        .example-btn:hover {
+            background: #667eea;
+            color: white;
+        }
+
+        @media (max-width: 768px) {
+            .container {
+                height: 100vh;
+                border-radius: 0;
+            }
+
+            .chat-container {
+                height: calc(100vh - 250px);
+            }
+
+            .message-content {
+                max-width: 85%;
+            }
+        }
+    </style>
+</head>
+<body>
+    <div class="container">
+        <div class="header">
+            <h1>📚 TDK Sözlük Asistanı</h1>
+            <p>Türkçe kelimelerin anlamlarını öğrenin</p>
+        </div>
+
+        <div class="chat-container" id="chatContainer">
+            <div class="welcome-message">
+                <h2>Merhaba! 👋</h2>
+                <p>Ben TDK Sözlük asistanınızım. Türkçe kelimeler hakkında size yardımcı olabilirim.</p>
+                <div class="example-questions">
+                    <button class="example-btn" onclick="sendExample('kitap ne demek?')">📖 kitap ne demek?</button>
+                    <button class="example-btn" onclick="sendExample('sevgi kelimesinin anlamı')">❤️ sevgi nedir?</button>
+                    <button class="example-btn" onclick="sendExample('bilgisayar kelimesini açıklar mısın?')">💻 bilgisayar</button>
+                </div>
+            </div>
+        </div>
+
+        <div class="loading" id="loading">
+            <div class="loading-dots">
+                <span></span>
+                <span></span>
+                <span></span>
+            </div>
+        </div>
+
+        <div class="input-container">
+            <form class="input-form" id="chatForm">
+                <input
+                    type="text"
+                    id="messageInput"
+                    placeholder="Bir kelime veya soru yazın..."
+                    autocomplete="off"
+                    required
+                >
+                <button type="submit" id="sendButton">Gönder</button>
+            </form>
+        </div>
+    </div>
+
+    <script>
+        const chatContainer = document.getElementById('chatContainer');
+        const chatForm = document.getElementById('chatForm');
+        const messageInput = document.getElementById('messageInput');
+        const sendButton = document.getElementById('sendButton');
+        const loading = document.getElementById('loading');
+
+        // Otomatik scroll
+        function scrollToBottom() {
+            chatContainer.scrollTop = chatContainer.scrollHeight;
+        }
+
+        // Kullanıcı mesajı ekle
+        function addUserMessage(message) {
+            const messageDiv = document.createElement('div');
+            messageDiv.className = 'message user';
+            messageDiv.innerHTML = `
+                <div class="message-content">${escapeHtml(message)}</div>
+            `;
+            chatContainer.appendChild(messageDiv);
+            scrollToBottom();
+        }
+
+        // Bot mesajı ekle
+        function addBotMessage(response, sources) {
+            const messageDiv = document.createElement('div');
+            messageDiv.className = 'message bot';
+
+            // Markdown'ı HTML'e çevir (basit)
+            let formattedResponse = response
+                .replace(/\*\*([^\*]+)\*\*/g, '<strong>$1</strong>')  // **kalın** -> <strong>
+                .replace(/\*([^\*]+)\*/g, '<em>$1</em>')              // *italik* -> <em>
+                .replace(/\n/g, '<br>')                                // Satır atlamaları
+                .replace(/- /g, '• ');                                 // Liste maddeleri
+
+            let html = `<div class="message-content">${formattedResponse}`;
+
+            if (sources && sources.length > 0) {
+                html += '<div class="sources"><h4>📚 Kaynak Kelimeler:</h4>';
+                sources.forEach((source, index) => {
+                    html += `
+                        <div class="source-item">
+                            <strong>${index + 1}. ${escapeHtml(source.kelime)}</strong><br>
+                            ${escapeHtml(source.anlam)}
+                        </div>
+                    `;
+                });
+                html += '</div>';
+            }
+
+            html += '</div>';
+            messageDiv.innerHTML = html;
+            chatContainer.appendChild(messageDiv);
+            scrollToBottom();
+        }
+
+        // HTML escape
+        function escapeHtml(text) {
+            const div = document.createElement('div');
+            div.textContent = text;
+            return div.innerHTML;
+        }
+
+        // Welcome message'ı kaldır
+        function removeWelcome() {
+            const welcome = chatContainer.querySelector('.welcome-message');
+            if (welcome) {
+                welcome.remove();
+            }
+        }
+
+        // Form submit
+        chatForm.addEventListener('submit', async (e) => {
+            e.preventDefault();
+
+            const message = messageInput.value.trim();
+            if (!message) return;
+
+            // Welcome message'ı kaldır
+            removeWelcome();
+
+            // Kullanıcı mesajını ekle
+            addUserMessage(message);
+            messageInput.value = '';
+
+            // Loading göster
+            loading.classList.add('active');
+            sendButton.disabled = true;
+
+            try {
+                // API'ye istek gönder
+                const response = await fetch('/chat', {
+                    method: 'POST',
+                    headers: {
+                        'Content-Type': 'application/json'
+                    },
+                    body: JSON.stringify({
+                        message: message,
+                        top_k: 5
+                    })
+                });
+
+                const data = await response.json();
+
+                if (response.ok) {
+                    addBotMessage(data.response, data.sources);
+                } else {
+                    addBotMessage(`❌ Hata: ${data.error}`, []);
+                }
+
+            } catch (error) {
+                addBotMessage('❌ Bağlantı hatası. Lütfen tekrar deneyin.', []);
+                console.error('Error:', error);
+            } finally {
+                loading.classList.remove('active');
+                sendButton.disabled = false;
+                messageInput.focus();
+            }
+        });
+
+        // Örnek soru gönder
+        function sendExample(text) {
+            messageInput.value = text;
+            chatForm.dispatchEvent(new Event('submit'));
+        }
+
+        // Enter tuşu ile gönder
+        messageInput.addEventListener('keypress', (e) => {
+            if (e.key === 'Enter' && !e.shiftKey) {
+                e.preventDefault();
+                chatForm.dispatchEvent(new Event('submit'));
+            }
+        });
+
+        // Sayfa yüklendiğinde input'a focus
+        messageInput.focus();
+    </script>
+</body>
+</html>