---
title: "LLM ile Arapça adlandırılmış varlık tanıma (NER), JSON"
description: "Arapça kişi, kurum, yer adlarını ve Hicri tarihleri LLM ile JSON olarak çıkarın: istem, harekeye duyarsız aralık denetimi, tarih dönüştürme ve puanlama betiği."
url: https://broadrouter.com/tr/blog/arabic-named-entity-extraction-llm/
lang: tr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/arabic-named-entity-extraction-llm/) (güncelleme: 2026-11-15).

# LLM ile Arapça varlık çıkarımı: JSON, tarihler ve denetimler

BroadNet Inference ekibi · 7 dk okuma · Yayımlandı 2026-11-15

Modelden her varlığı yazıldığı gibi, sabit bir listeden bir türle birlikte JSON olarak kopyalamasını isteyin. Her varlığı kodda denetleyin: harekeler silinip elif biçimleri birleştirildiğinde kaynakta geçmeli. Hicri tarihleri modelle değil, hijridate gibi bir kütüphaneyle dönüştürün. Elle etiketlenmiş bir örneklemi varlık düzeyinde kesinlik, duyarlılık ve F1 ile puanlayın.

## Öne çıkanlar

-   LAraBench'te (EACL 2024) sıfır atışlı GPT-4, ANERcorp token etiketlemesinde 0,355 makro F1 aldı; ince ayarlı bir sistem 0,886 aldı. 10 örnek bu değeri 0,451'e çıkardı.
-   Kısa bir JSON varlık listesi çıkarmak, her token'ı etiketlemekten farklı bir görevdir. Yayına alacağınız kurguyu kendi metninizde test edin.
-   Varlıkları teşkil ve tatvil silinip elif biçimleri birleştirildikten sonra eşleştirin; yoksa modelin doğru kopyaladığı bir ad halüsinasyon gibi görünür.
-   Tarihi model okusun, kod dönüştürsün. hijridate, 1343–1500 Hicri (1924–2077 Miladi) arasındaki Ümmü'l-Kurâ tarihlerini kapsıyor.
-   Haberler (ANERcorp), Vikipedi (AQMAR), MSA ve lehçe (Wojood) ve Klasik Arapça (CANERCorpus) için herkese açık Arapça NER setleri var. Etiketleri nadiren sizinkilerle örtüşür.

**Bu sayfada**

1.  LLM’ler Arapça NER’de ne kadar başarılı?
2.  Hangi Arapça NER veri setleri var?
3.  İstem ne istemeli?
4.  Varlıkları kaynağa karşı nasıl denetlersiniz?
5.  Hicri tarihleri nasıl ele alırsınız?
6.  Arabizi ve karışık metindeki adlar ne olacak?
7.  Çıkarıcıyı nasıl puanlarsınız?
8.  Hangi BroadNet modelini kullanmalısınız?
9.  BroadNet Inference nereye oturuyor?

Adlandırılmış varlık çıkarımı bir paragrafı kodunuzun kullanabileceği kayıtlara dönüştürür: kim, hangi kurum, nerede ve ne zaman. Arapça, İngilizce hatlarının nadiren karşılaştığı dört sorun ekler: isteğe bağlı harekeler, aynı harfin birkaç yazımı, Latin harfleriyle yazılmış adlar ([Arabizi](https://broadrouter.com/tr/glossary/arabizi/)) ve iki takvimde tarihler. Bu yazı OpenAI uyumlu bir LLM üzerinde, her birini kodda ele alan bir çıkarım adımı ve sizin metninizde işe yarayıp yaramadığını söyleyen bir puanlama betiği kuruyor.

Mesajlardan aralık çıkarmak yerine bütün mesajları sınıflandırmak için [Arapça metin sınıflandırma](https://broadrouter.com/tr/blog/arabic-text-classification-llm/) yazısına bakın. JSON istek seçeneklerinin kendisi için [JSON mode ile json\_schema karşılaştırmasına](https://broadrouter.com/tr/blog/structured-output-json-schema/) bakın.

## LLM’ler Arapça NER’de ne kadar başarılı?

Bulduğumuz en ilgili herkese açık ölçüm LAraBench (Abdelali vd., EACL 2024); GPT-3.5 ve GPT-4’ü Arapça NER setlerinde token token etiketleme görevi olarak çalıştırdı. Makro F1, yüksek olan daha iyi:

| Veri seti | GPT-3.5 sıfır atış | GPT-4 sıfır atış | GPT-4 3 atış | Atıf yapılan ince ayarlı sistem |
| --- | --- | --- | --- | --- |
| ANERcorp (haber) | 0,210 | 0,355 | 0,420 | 0,886 |
| AQMAR (Vikipedi) | 0,230 | 0,365 | 0,390 | 0,690 |
| QASR (transkriptler) | 0,208 | 0,504 | yok | 0,698 |

Daha fazla örnek işe yaradı: ANERcorp’ta GPT-4, örneksiz 0,355’ten on örnekle 0,451’e çıktı. Yazarlar, modelin kendi biçiminde yazdığı etiketleri de yeniden eşlemek zorunda kaldı; örneğin B-PER yerine PER-B.

Bunu dikkatle okuyun. Bunlar, benchmark etiket setleri üzerinde katı bir etiketleme görevi yapan 2023 modelleri. Bir destek talebindeki kişi ve şirketlerin kısa bir listesini isteyen güncel bir model çok daha iyi yapabilir, ya da yapamayabilir. Tablo, hâlâ geçerli olan iki şey söylüyor: bir LLM kendiliğinden iyi bir NER sistemi değildir ve kendi ölçümünüze ihtiyacınız var.

## Hangi Arapça NER veri setleri var?

| Veri seti | Metin | Boyut ve etiketler |
| --- | --- | --- |
| [ANERcorp](https://camel.abudhabi.nyu.edu/anercorp/) | Haber | Yaklaşık 150.000 token; kişi, yer, kurum, diğer. CAMeL Lab standart bir eğitim/test bölümü yayımlıyor |
| [CLEANANERCorp](https://aclanthology.org/2024.osact-1.2/) | ANERcorp, düzeltilmiş | Özgün sette bulunan etiketleme hatalarını, eksik etiketleri ve tutarsızlıkları düzeltiyor |
| [AQMAR](https://www.cs.cmu.edu/~ark/ArabicNER/) | Arapça Vikipedi | 28 makaleden 74.000 token |
| [Wojood](https://aclanthology.org/2022.lrec-1.387/) | MSA ve lehçe | Yaklaşık 550.000 token, 21 varlık türü, iç içe; WojoodNER 2023 ortak görevinde kullanıldı |
| [CANERCorpus](https://github.com/RamziSalah/Classical-Arabic-Named-Entity-Recognition-Corpus) | Klasik Arapça hadis | 7.000’den fazla hadis, İslami konularda 20 tür |

Bunları bir istemi sağlamaya almak için kullanın, kabul testiniz olarak değil. Sizin varlık türleriniz (müşteri, ürün, şube, sözleşme numarası) onlarınkinden farklı olacak, lisansları da farklı. Ticari kullanımdan önce her birini kontrol edin.

## İstem ne istemeli?

Üç kural çıktıyı denetlenebilir kılar:

1.  **Aralığı aynen kopyalayın.** Çeviri yok, harf aktarımı yok, bir ilk adı tam ada “tamamlamak” yok. İngilizce bir yazım gerekiyorsa onu ayrı bir alanda isteyin ve doğrulanmamış kabul edin.
2.  **Kapalı bir tür listesi.** PERSON, ORG, LOCATION, DATE ya da kendi setiniz. Serbest biçimli türler puanlanamaz.
3.  **Tarihler dönüştürülmüş değil, parçalar hâlinde.** Yazıldığı gibi yıl, ay ve günü ve takvimi isteyin. Sondaki هـ Hicri bir tarihi, م Miladi bir tarihi gösterir.

Talimatları İngilizce ya da Arapça yazın; [Arapça istem mühendisliği](https://broadrouter.com/tr/blog/arabic-prompt-engineering/) bu tercihi ele alıyor. JSON yapısını sistem istemine koyun ve [önbelleğe](https://broadrouter.com/tr/glossary/cached-input-tokens/) alınabilmesi için istekler arasında aynı tutun.

## Varlıkları kaynağa karşı nasıl denetlersiniz?

Model metnin hiç geçmediği bir adı döndürebilir ya da bir adı doğru ama harekesiz kopyalayabilir. Düz bir alt dize testi bu ikisini ayırt edemez. Önce iki tarafı da normalleştirin: teşkil ve tatvili silin, elif biçimlerini birleştirin ve عبد ال’ı birleştirin ki عبد الله ile عبدالله eşleşsin. Kurallar [arama için Arapça metin normalleştirme](https://broadrouter.com/tr/blog/arabic-text-normalization-search/) yazısındakilerle aynı, yalnızca eşleştirmeye uygulanıyor. Gösterim için özgün aralığı tutun.

```python
import json, os, re
from hijridate import Hijri
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

TYPES = {"PERSON", "ORG", "LOCATION", "DATE"}
SYSTEM = """Extract named entities from the Arabic text. Reply with JSON only:
{"entities": [{"text": "...", "type": "PERSON|ORG|LOCATION|DATE"}],
 "dates": [{"text": "...", "calendar": "hijri|gregorian", "year": 0, "month": 0, "day": 0}]}
Rules: copy "text" exactly as it appears in the input, including any diacritics.
Do not translate, transliterate or complete names. A date followed by هـ is Hijri.
If there are no entities, return empty lists."""

DIACRITICS = re.compile(r"[ً-ٰٟـ]")   # tashkeel, dagger alef, tatweel
def norm(s: str) -> str:
    s = DIACRITICS.sub("", s)
    s = re.sub("[إأآٱ]", "ا", s).replace("ى", "ي").replace("عبد ال", "عبدال")
    return " ".join(s.split())

def validate(source: str, data: dict) -> tuple[list, list]:
    """Keep entities that really occur in the source; report everything else."""
    src, kept, problems = norm(source), [], []
    for e in data.get("entities", []):
        if e.get("type") not in TYPES:
            problems.append(f"unknown type: {e}")
        elif norm(e.get("text", "")) not in src:
            problems.append(f"not in source: {e['text']}")
        else:
            kept.append(e)
    for d in data.get("dates", []):
        if d.get("calendar") == "hijri":
            try:
                d["iso"] = Hijri(d["year"], d["month"], d["day"]).to_gregorian().isoformat()
            except (ValueError, OverflowError) as err:
                problems.append(f"bad Hijri date {d['text']}: {err}")
    return kept, problems

def extract(text: str, model="broadnet/qwen3.8-27b") -> dict:
    r = client.chat.completions.create(
        model=model, max_tokens=2000,
        messages=[{"role": "system", "content": SYSTEM}, {"role": "user", "content": text}])
    data = json.loads(r.choices[0].message.content)
    data["entities"], data["problems"] = validate(text, data)
    return data

text = "التقى خالِد بن سَعِيد مديرةَ شركة النخيل للتقنية في جدة يوم ١٥ جمادى الآخرة ١٤٤٥هـ."
print(json.dumps(extract(text), ensure_ascii=False, indent=1))
```

Bunu yerel bir sahte sunucuya karşı çalıştırdık (canlı API çağrısı yok); hazır yanıtı uydurma bir kişi ve imkânsız bir tarih (13. ay) ekliyordu. Çıktı خالد بن سعيد (yanıt harekeleri atmıştı; normalleştirilmiş eşleştirme yine de buldu), شركة النخيل للتقنية ve جدة’yi tuttu. ١٥ جمادى الآخرة ١٤٤٥هـ tarihini 2023-12-28’e dönüştürdü ve iki sorun listeledi: uydurma ad “not in source” (kaynakta yok) olarak işaretlendi, 13. ay ise “month must be in 1-12” hatasını verdi. Adlar ve şirket kurgusal.

Kodla ilgili notlar:

-   **`max_tokens=2000`** akıl yürütmeye yer bırakır. BroadNet’in belgelerine göre DeepSeek V4.1 Flash, GLM 5.3 ve Qwen3.8 27B yanıt vermeden önce akıl yürütür ve bu akıl yürütme `max_tokens` sınırına sayılır. Bkz. [akıl yürüten modellerden boş yanıtlar](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/).
-   **`json.loads` başarısız olabilir.** Onu sarın ve başarısızlıkta, [onarım döngüsündeki](https://broadrouter.com/tr/blog/structured-output-json-schema/) gibi hatayla birlikte bir kez yeniden gönderin. BroadNet’in yapılandırılmış çıktıyla belgelediği GLM 5.3 ve Qwen3.8 27B’de bir `response_format` şeması da ekleyin. Doğrulama her iki durumda da kalır.
-   **Alt dize eşleştirmesi bilerek gevşek.** Aralığın var olduğunu doğrular; türü doğrulamaz. Türleri aşağıdaki puanlama adımı ölçer.

## Hicri tarihleri nasıl ele alırsınız?

Arapça metin tarihleri pek çok şekilde yazar: ١٥/٦/١٤٤٥هـ, ١٥ جمادى الآخرة ١٤٤٥ ya da ay adları bölgeye göre değişen bir Miladi tarih (Mısır ve Körfez’de نوفمبر, Levant’ta تشرين الثاني). Bir model bunları genellikle parçalara ayırabilir, kod da parçaları denetler. Takvimler arası dönüştürme yayımlanmış bir tablo üzerinde aritmetiktir ve modelin bunu doğru yapması için bir neden yoktur.

Eski adıyla hijri-converter olan [hijridate](https://pypi.org/project/hijridate/), Ümmü’l-Kurâ takvimini kullanarak dönüştürür. Belgelenmiş aralığı 1343–1500 Hicri’dir (1 Ağustos 1924 – 16 Kasım 2077 Miladi). Aralık dışında OverflowError, geçersiz bir ay ya da gün için ValueError verir; kodun ikisini de yakalamasının nedeni bu. Belgelerine göre hilal gözleminin tercih edildiği dinî amaçlar için tasarlanmamıştır; bu yüzden gözlemle belirlenen bir tarih dönüştürülen değerden farklı olabilir. Tarihi, dönüştürülmüş hâlinin yanında yazıldığı gibi saklayın.

Doğu Arap rakamları burada özel bir işlem gerektirmez: model tam sayı döndürür. Tarihleri kendiniz ayrıştırıyorsanız önce ٠١٢٣٤٥٦٧٨٩ (ve Farsça ۰–۹) rakamlarını 0–9’a eşleyin.

## Arabizi ve karışık metindeki adlar ne olacak?

Müşteri mesajları adları çoğu zaman Latin harfleriyle yazar: “ana 7a2ool la Mo7ammad bokra”. Aynen aralık kuralı yine çalışır: varlık metni “Mo7ammad”dır ve alt dize denetimi geçer. Başarısız olan, bu kaydı CRM’inizdeki محمد ile eşleştirmektir. Bunu ikinci bir adımda yapın: aralığı [Arabizi’yi ele alma](https://broadrouter.com/tr/blog/arabizi-llm-handling/) yazısındaki gibi Arap yazısına dönüştürün, sonra aynı normalleştirmeyle kayıtlarınızla eşleştirin. Bir dönüştürmeden geçen her kayda bir güven işareti koyun.

Aynısı Arapça cümlelerin içindeki İngilizce şirket adları ve Arapça adların Latin yazımları (Mohammed, Muhammad, Mohamed) için de geçerli. Çıkarım adımından tek bir yazım seçmesini istemeyin.

## Çıkarıcıyı nasıl puanlarsınız?

Aynı tür listesiyle 100 ila 200 gerçek örneği elle etiketleyin. Sonra tahminleri, normalleştirilmiş metin ve tür üzerinde varlık düzeyinde tam eşleşmeyle karşılaştırın ve tür başına kesinlik, duyarlılık ve F1 raporlayın:

```python
from collections import Counter

def score(gold: list[list[dict]], pred: list[list[dict]]) -> dict:
    """Entity-level exact match on (normalised text, type), micro-averaged, plus per type."""
    tp, fp, fn = Counter(), Counter(), Counter()
    for g, p in zip(gold, pred):
        G = Counter((norm(e["text"]), e["type"]) for e in g)
        P = Counter((norm(e["text"]), e["type"]) for e in p)
        for (t, ty), n in (G | P).items():
            hit = min(G[(t, ty)], P[(t, ty)])
            tp[ty] += hit; fp[ty] += P[(t, ty)] - hit; fn[ty] += G[(t, ty)] - hit
    def prf(a, b, c):
        p = a / (a + b) if a + b else 0.0
        r = a / (a + c) if a + c else 0.0
        return {"p": round(p, 3), "r": round(r, 3), "f1": round(2 * p * r / (p + r), 3) if p + r else 0.0}
    out = {ty: prf(tp[ty], fp[ty], fn[ty]) for ty in sorted(tp | fp | fn)}
    out["micro"] = prf(sum(tp.values()), sum(fp.values()), sum(fn.values()))
    return out
```

İki cümlelik bir oyuncak sette (üç altın varlık; tahmin جدة’yi LOCATION yerine ORG olarak işaretledi ve fazladan bir yer ekledi), mikro kesinlik 0,5, duyarlılık 0,667 ve F1 0,571, LOCATION F1 ise 0 çıktı. Tür bazlı görünüm emeği nereye harcamanız gerektiğini gösterir: zayıf bir ORG puanı genellikle daha büyük bir model değil, tür tanımlarınız için örnek gerektiğini gösterir.

Neyin eşleşme sayılacağına önceden karar verin. Tam eşleşme katıdır: altın “شركة النخيل للتقنية” karşısında “شركة النخيل” bir yanlış pozitif ve bir yanlış negatif sayılır. Kullanımınız için kısmi aralıklar kabul edilebilirse, örtüşmeye dayalı ikinci bir puan raporlayın, ama ana başlık olarak katı olanı tutun.

## Hangi BroadNet modelini kullanmalısınız?

Tüm fiyatlar 1M token başına, BroadNet’in fiyatlar sayfasından.

| Model | Neden | Girdi / çıktı |
| --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) | Yapılandırılmış çıktı belgelenmiş; BroadNet, Körfez ve Mısır lehçesi anlama dahil Arapçada test edildiğini bildiriyor; görsel okur | $0.175 / $2.17 |
| [GLM 5.3](https://broadrouter.com/tr/models/glm-5.3/) | Yapılandırılmış çıktı belgelenmiş; çok uzun belgeler için 1.048.576 token bağlam | $0.78 / $3.46 |
| [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/) | $5 başlangıç kredisiyle çalışır; yapılandırılmış çıktı belgelenmemiş, bu yüzden yalnızca istemle üretilen JSON’u doğrulayın; 32.768 token bağlam | $0.10 / $0.22 |

Puanlama betiğini örnekleminizde her adayla çalıştırın ve satıcının tanımına göre değil, tür başına F1 ve maliyete göre seçin. Arapça aynı içerik için genellikle İngilizceden fazla token alır; ölçülmüş oranlar [Arapçada kelime başına token](https://broadrouter.com/tr/blog/tokens-per-word-arabic-english/) yazısında. Taranmış formlar ya da fotoğraflar içindeki varlıklar için, [görü ile Arapça fatura okuma](https://broadrouter.com/tr/guides/read-arabic-invoices-with-vision/) rehberindeki gibi doğrudan görselden çıkarın.

## BroadNet Inference nereye oturuyor?

BroadRouter, BroadNet’in kendi sitesidir. BroadNet Inference yukarıdaki modellere tek bir anahtarla OpenAI uyumlu erişim verir; bu yüzden kod, temel URL’yi değiştirdikten sonra [OpenAI Python SDK](https://broadrouter.com/tr/guides/openai-python-sdk/) ile çalışır. Belgelerine göre istemler ve yanıtlar istekten sonra saklanmaz; metin insanların adlarıyla doluysa bu önemlidir. Ayrı bir NER uç noktası yok ve kendine ait bir Arapça NER benchmark’ı yayımlamıyor; bu yüzden kendi verinizde ölçün. Yüksek hacim için kendi barındırdığınız bir etiketleyiciye ihtiyacınız varsa, Wojood ya da kendi etiketlerinizle eğitilmiş ince ayarlı bir model herhangi bir LLM’den daha ucuz ve tutarlı olabilir; yukarıdaki yayımlanmış fark, bunu kontrol etmeniz için bir neden.

Bu konu için ücretsiz araçlar (İngilizce)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[Varlık ismi tanıma (named entity recognition, NER)](https://broadrouter.com/tr/glossary/named-entity-recognition/)

Varlık ismi tanıma (NER), metindeki adları bulup her birini kişi, kurum veya konum gibi bir türle etiketleme görevidir. Klasik sistemler her token'ı etiketler; LLM'lerden ise genellikle varlıkların bir listesini JSON olarak döndürmeleri istenir ve bu liste daha sonra kaynak metne karşı kontrol edilir.

[Arabizi (Franco-Arabic)](https://broadrouter.com/tr/glossary/arabizi/)

Arabizi, Latin harfleriyle gayriresmî yazılan Arapçadır; Latin karşılığı olmayan Arapça sesler için ع yerine 3 gibi rakamlar kullanır. Sohbette ve sosyal medyada yaygındır, çoğunlukla lehçelidir, standart bir yazımı yoktur ve sık sık İngilizce veya Fransızcayla karışır.

[Yapılandırılmış çıktı (structured output)](https://broadrouter.com/tr/glossary/structured-output/)

Yapılandırılmış çıktı, modelin yanıtını geliştiricinin belirlediği bir biçimle, genellikle bir JSON Schema ile sınırlayan bir LLM API özelliğidir; böylece kod yanıtı güvenilir şekilde ayrıştırabilir. Geçerli JSON'u garanti eden ama belirli bir yapıyı garanti etmeyen JSON modundan daha katıdır.

[Arapça harekeler (tashkeel)](https://broadrouter.com/tr/glossary/arabic-diacritics/)

Arapça harekeler (tashkeel), kısa ünlüleri, ikizleşen ünsüzleri ve ünlü yokluğunu göstermek için harflerin üstüne veya altına yazılan küçük işaretlerdir. İsteğe bağlıdırlar: haberler dahil Arapça metinlerin çoğu onları yazmaz; okur da yazılım da ünlüleri bağlamdan çıkarır.

[Arapça metin normalizasyonu (normalization)](https://broadrouter.com/tr/glossary/arabic-text-normalization/)

Arapça metin normalizasyonu, aynı kelimenin yazım varyantlarını eşleştirmeden önce tek bir biçime indiren adımdır: harekeleri ve tatweel'i siler, elif biçimlerini birleştirir ve çoğu zaman ى'yı ي'ye, ة'yı ه'ye çevirir. Gösterilen metne değil, arama anahtarlarına ve değerlendirmeye uygulanır.

[Base URL (temel URL)](https://broadrouter.com/tr/glossary/base-url/)

Base URL (temel URL), https://api.example.com/v1 gibi, bir istemcinin /chat/completions gibi her uç nokta yolunun önüne eklediği sabit kök adrestir. OpenAI uyumlu SDK'larda base URL, API anahtarı ve model kimliğiyle birlikte değiştirildiğinde aynı kod farklı bir sağlayıcıya yönelir.

[JSON modu (JSON mode)](https://broadrouter.com/tr/glossary/json-mode/)

JSON modu, OpenAI tarzı API'lerde response\_format {"type": "json\_object"} ile açılan ve modelin yanıtını geçerli, ayrıştırılabilir JSON yapan bir LLM API ayarıdır. JSON Schema kullanan yapılandırılmış çıktıların aksine, nesnenin hangi anahtarları, türleri veya değerleri içereceğini garanti etmez.

## Sık sorulan sorular

### Bir LLM Arapça adlandırılmış varlık tanıma yapabilir mi?

Evet, denetimlerle. Token düzeyinde Arapça NER'de yayımlanmış sıfır atışlı sonuçlar ince ayarlı modellerin çok gerisinde kalıyor; bu yüzden her varlığı kaynak metinle doğrulayın ve güvenmeden önce modeli kendi verinizden etiketli bir örneklemde puanlayın.

### Harekeli ve harekesiz Arapça adları nasıl eşleştiririm?

Karşılaştırmadan önce iki tarafı da normalleştirin: teşkili (U+064B–U+065F), hançer elifi ve tatvili silin, إ أ آ ٱ harflerini ا'ya, ى'yı ي'ye eşleyin ve boşlukları sadeleştirin. Gösterim için özgün metni tutun; normalleştirilmiş biçimi yalnızca eşleştirmede kullanın.

### Python'da Hicri tarihi Miladiye nasıl çeviririm?

hijridate kullanın (eski adıyla hijri-converter): Hijri(1445, 6, 15).to\_gregorian() 2023-12-28 döndürür. Ümmü'l-Kurâ takvimini izler, 1343–1500 Hicri aralığını destekler ve hilal gözlemiyle belirlenen dinî tarihler için tasarlanmamıştır.

### Hangi Arapça NER veri setlerinde test edebilirim?

ANERcorp (haber, yaklaşık 150.000 token, dört tür), AQMAR (74.000 token Vikipedi), Wojood (yaklaşık 550.000 token MSA ve lehçe, 21 iç içe tür) ve CANERCorpus (Klasik Arapça hadis, 20 tür). Her birinin lisansını kontrol edin ve etiketlerini kendi etiketlerinize eşleyin.

### Model adları çevirmeli mi, Latin harflerine mi aktarmalı?

Çıkarım adımında hayır. Doğrulayabilmeniz için kaynaktaki aralığın aynısını isteyin. Latin harfli bir yazım gerekiyorsa ayrı bir alan ekleyin ve onu doğrulanmamış kabul edin.

## Okumaya devam edin

-   [JSON modu ve json\_schema: sağlam yapılandırılmış çıktı](https://broadrouter.com/tr/blog/structured-output-json-schema/)
-   [Arama ve RAG için Arapça metin normalleştirme: neyi değiştirmeli?](https://broadrouter.com/tr/blog/arabic-text-normalization-search/)
-   [Arabizi ve LLM'ler: 3 ve 7 gibi rakamlarla Franko-Arapça](https://broadrouter.com/tr/blog/arabizi-llm-handling/)
-   [LLM ile Arapça metin sınıflandırma: duygu, niyet, önceliklendirme](https://broadrouter.com/tr/blog/arabic-text-classification-llm/)
-   [Arapça istem mühendisliği: dil düzeyi, RTL, rakamlar, karışık metin](https://broadrouter.com/tr/blog/arabic-prompt-engineering/)
-   [Arapça için LLM API seçimi: neler test edilmeli?](https://broadrouter.com/tr/blog/choosing-an-llm-for-arabic/)
-   [LLM ile Arapça dil bilgisi ve yazım düzeltme: adım adım](https://broadrouter.com/tr/blog/arabic-grammar-spelling-correction-llm/)
-   [LLM ile Arapça metne hareke ekleme: istem, kontrol, DER](https://broadrouter.com/tr/blog/arabic-diacritization-llm/)
-   [Kayıtlardan Arapça toplantı tutanağı: bir API hattı](https://broadrouter.com/tr/blog/arabic-meeting-minutes-from-recordings/)
-   [Rehber: Arapça faturaları ve fişleri bir görü modeliyle okuyun](https://broadrouter.com/tr/guides/read-arabic-invoices-with-vision/)
-   [Rehber: OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

[Başlayın](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-arabic-named-entity-extraction-llm&utm_content=page-cta) ·

**Kaynaklar**

-   [Abdelali vd., LAraBench: Benchmarking Arabic AI with Large Language Models, EACL 2024, Tablo 1 ve 5 (kontrol tarihi 2026-11-15)](https://aclanthology.org/2024.eacl-long.30/)
-   [Jarrar, Khalilia ve Ghanem, Wojood: Nested Arabic Named Entity Corpus and Recognition using BERT, LREC 2022 (kontrol tarihi 2026-11-15)](https://aclanthology.org/2022.lrec-1.387/)
-   [Jarrar vd., WojoodNER 2023: The First Arabic Named Entity Recognition Shared Task, ArabicNLP 2023 (kontrol tarihi 2026-11-15)](https://aclanthology.org/2023.arabicnlp-1.83/)
-   [CAMeL Lab, ANERcorp indirme sayfası ve eğitim/test bölümü (kontrol tarihi 2026-11-15)](https://camel.abudhabi.nyu.edu/anercorp/)
-   [AlDuwais, Al-Khalifa ve AlSalman, CLEANANERCorp: Identifying and Correcting Incorrect Labels in the ANERcorp Dataset, OSACT 2024 (kontrol tarihi 2026-11-15)](https://aclanthology.org/2024.osact-1.2/)
-   [CMU ARK, AQMAR Arapça Vikipedi Adlandırılmış Varlık Derlemi: 74.000 token, 28 makale (kontrol tarihi 2026-11-15)](https://www.cs.cmu.edu/~ark/ArabicNER/)
-   [Salah ve Zakaria, Classical Arabic Named Entity Recognition Corpus (CANERCorpus) deposu (kontrol tarihi 2026-11-15)](https://github.com/RamziSalah/Classical-Arabic-Named-Entity-Recognition-Corpus)
-   [PyPI'daki hijridate: Ümmü'l-Kurâ dönüştürücüsü, eski adıyla hijri-converter, 1343–1500 Hicri (kontrol tarihi 2026-11-15)](https://pypi.org/project/hijridate/)
-   [BroadNet Inference API başvurusu: yapılandırılmış çıktılı modeller, akıl yürütme ve max\_tokens (kontrol tarihi 2026-11-15) (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-arabic-named-entity-extraction-llm&utm_content=sources)
