---
language:
- tr
- en
license: cc-by-4.0
tags:
- legal
- embeddings
- rag
- bge-m3
- turkish
configs:
  - config_name: emsal_kararlar
    data_files: "emsal_kararlar/*.parquet"
  - config_name: mevzuat
    data_files: "mevzuat/*.parquet"
---

# Turkish Law & Legislation BGE-M3 Embeddings

Language: [English](#english) | [Türkçe](#türkçe)

---

## English

This dataset contains pre-computed embeddings for Turkish legal precedents (Supreme Court/Yargıtay and Council of State/Danıştay) and statutory legislation (codes and articles). It is formatted in Parquet and specifically optimized for **RAG (Retrieval-Augmented Generation)** pipelines using a "Multi-Index" architecture.

### 📊 Data Sources & Attribution
* **Precedents Subsets:** Derived from the **[erdem-erdem/Turkish-Law-Documents-700k-clustered](https://huggingface.co/datasets/erdem-erdem/Turkish-Law-Documents-700k-clustered)** dataset. The original public records belong to:
  * **Yargıtay** (Court of Appeals): [https://karararama.yargitay.gov.tr/](https://karararama.yargitay.gov.tr/)
  * **Danıştay** (Council of State): [https://kararara.danistay.gov.tr/](https://kararara.danistay.gov.tr/)
  
  *(Special thanks to researchers of the underlying source datasets: `fikriokan/ygty`, `fikriokan/ygty-2`, `fikriokan/dnsy-1`, `fikriokan/dnsy-2`)*
* **Legislation Subsets:** Gathered, structured, and vectorized from the following official Turkish core codes and statutory laws:
  * **Anayasa** (Constitution)
  * **TMK** (Turkish Civil Code / Türk Medeni Kanunu)
  * **TBK** (Turkish Code of Obligations / Türk Borçlar Kanunu)
  * **TTK** (Turkish Commercial Code / Türk Ticaret Kanunu)
  * **TCK** (Turkish Penal Code / Türk Ceza Kanunu)
  * **CMK** (Criminal Procedure Code / Ceza Muhakemesi Kanunu)
  * **HMK** (Code of Civil Procedure / Hukuk Muhakemeleri Kanunu)
  * **İşK** (Labor Law / İş Kanunu)

### ⚙️ Data Processing Pipeline

1. **Legal Precedents (emsal_kararlar):** Long judicial texts were split using Langchain's `RecursiveCharacterTextSplitter`.
   * **Chunk Size:** 3000 characters.
   * **Chunk Overlap:** 500 characters.
   * **Separators:** `["\n\n", "\n", ".", " "]` to maintain semantic paragraphs and sentences.
   * Source fields were standardized from abbreviations like `ygty` or `dnsy` into "Yargıtay" and "Danıştay".

2. **Legislation & Codes (mevzuat):**
   * No chunking was applied due to the naturally concise length of law articles.
   * Metadatas were contextually enriched for better vector representations.
   * **Format:** `{Law Name} ({Short Name}) {Article No}: {Original Text}`
   * *Example:* `"Türkiye Cumhuriyeti Anayasası (Anayasa) Madde 2: Türkiye Cumhuriyeti, toplumun huzuru..."`

### 🧠 Model & Embedding Configuration
* **Embedding Model:** [BAAI/bge-m3](https://huggingface.co/BAAI/bge-m3) (Multilingual)
* **Vector Dimension:** 1024
* **Max Sequence Length:** 2048 (Configured to comfortably support 3000-character text chunks).
* **Hardware & Acceleration:** Processed utilizing an NVIDIA A100 GPU in `torch.bfloat16` precision mode.

### 🗂️ Dataset Schema

**1. Legal Precedents (`emsal_kararlar`):**
* `doc_id` *(string)*: The original document ID.
* `chunk_idx` *(int32)*: The index of the text chunk within the original document.
* `text` *(string)*: The 3000-character chunked text used for embedding.
* `kaynak` *(string)*: Source institution (Yargıtay or Danıştay).
* `esas_no`, `karar_no`, `tarih` *(string)*: Judicial metadata regarding the specific decision.
* `dokuman_tipi` *(string)*: Tagged as 'Emsal Karar' for multi-index filtering.
* `vector` *(list[float32])*: 1024-dimensional embedding vector.

**2. Legislation & Codes (`mevzuat`):**
* `id` *(string)*: Systemic identifier (e.g., 'TMK_Madde_2').
* `kanun_adi`, `kanun_kisa_ad`, `madde_no` *(string)*: Legislative metadata.
* `orijinal_metin` *(string)*: The pure text of the law article (best for returning to the user).
* `text` *(string)*: The contextually enriched text fed into the embedding model.
* `dokuman_tipi` *(string)*: Tagged as 'Mevzuat' for multi-index filtering.
* `vector` *(list[float32])*: 1024-dimensional embedding vector.

### 🚀 How to Use (Python)
You can load specific configurations using the Hugging Face `datasets` library:

```python
from datasets import load_dataset

# Load Statutory Legislation only
legislation = load_dataset("muhamparlak/turkish-law-bge-m3-embeddings", "mevzuat")

# Load Legal Precedents only
precedents = load_dataset("muhamparlak/turkish-law-bge-m3-embeddings", "emsal_kararlar")
```

---

## Türkçe

Bu veri seti, Türk hukuku emsal kararları (Yargıtay ve Danıştay) ile kanun maddesi/mevzuat metinlerinin RAG (Retrieval-Augmented Generation) sistemlerinde doğrudan kullanılabilmesi için **BAAI/bge-m3** modeli kullanılarak üretilmiş vektörleri (embedding) içerir. Veriler "Multi-Index" veri tabanı mimarilerine uygun olarak iki farklı alt küme halinde düzenlenmiştir.

### 📊 Veri Kaynakları ve Atıflar
* **Emsal Kararlar:** Geniş kapsamlı **[erdem-erdem/Turkish-Law-Documents-700k-clustered](https://huggingface.co/datasets/erdem-erdem/Turkish-Law-Documents-700k-clustered)** veri setinden türetilmiştir. Orijinal veriler şu kurumların kamuya açık resmi kayıtlarıdır:
  * **Yargıtay**: [https://karararama.yargitay.gov.tr/](https://karararama.yargitay.gov.tr/)
  * **Danıştay**: [https://kararara.danistay.gov.tr/](https://kararara.danistay.gov.tr/)
  
  *(Kaynak veri setlerinin hazırlanmasında emeği geçen `fikriokan/ygty`, `fikriokan/ygty-2`, `fikriokan/dnsy-1`, `fikriokan/dnsy-2` veri seti sahiplerine teşekkür ederiz.)*
* **Mevzuat / Kanunlar:** Türkiye Cumhuriyeti resmi kanun maddeleri derlenerek yapılandırılmıştır. Veri seti şu ana kanunları ve temel mevzuatları kapsamaktadır:
  * **Anayasa**
  * **Türk Medeni Kanunu** (TMK)
  * **Türk Borçlar Kanunu** (TBK)
  * **Türk Ticaret Kanunu** (TTK)
  * **Türk Ceza Kanunu** (TCK)
  * **Ceza Muhakemesi Kanunu** (CMK)
  * **Hukuk Muhakemeleri Kanunu** (HMK)
  * **İş Kanunu** (İşK)

### ⚙️ Veri İşleme Süreci (Data Pipeline)

1. **Emsal Kararlar (emsal_kararlar):** Çok uzun mahkeme kararları, anlam bütünlüğü bozulmadan Langchain `RecursiveCharacterTextSplitter` ile parçalanmıştır.
   * **Parça Boyutu (Chunk Size):** 3000 karakter.
   * **Örtüşme (Overlap):** 500 karakter.
   * **Ayırıcılar (Separators):** `["\n\n", "\n", ".", " "]` (Parçalamanın paragraflardan ve cümlelerden yapılması sağlandı).
   * Kaynak adlarındaki `ygty` ve `dnsy` gibi kısaltmalar "Yargıtay" ve "Danıştay" olarak standardize edilmiştir.

2. **Mevzuat ve Kanunlar (mevzuat):**
   * Kanun maddeleri yapıları gereği kısa olduğundan parçalama (chunking) uygulanmamıştır.
   * Modelin bağlamı daha iyi kavrayabilmesi için metinler şu formatta zenginleştirilerek modele verilmiştir.
   * **Zengin Metin Formatı:** `{Kanun Adı} ({Kısa Ad}) {Madde No}: {Orijinal Metin}`
   * *Örnek:* `"Türkiye Cumhuriyeti Anayasası (Anayasa) Madde 2: Türkiye Cumhuriyeti, toplumun huzuru..."`

### 🧠 Model ve Vektör (Embedding) Detayları
* **Model:** [BAAI/bge-m3](https://huggingface.co/BAAI/bge-m3)
* **Vektör Boyutu (Dimension):** 1024
* **Maksimum Dizi Uzunluğu (Max Sequence Length):** 2048 (3000 karakterlik metin parçalarını kayıpsız işleyecek şekilde optimize edilmiştir).
* **Donanım:** İşlemler NVIDIA A100 GPU üzerinde `torch.bfloat16` hassasiyetiyle gerçekleştirilmiştir.

### 🗂️ Sütun Yapısı (Dataset Schema)

**1. Emsal Kararlar (`emsal_kararlar`):**
* `doc_id` *(string)*: Kararın orijinal doküman ID'si.
* `chunk_idx` *(int32)*: Dokümanın kaçıncı metin parçası olduğu.
* `text` *(string)*: Vektörleştirilen 3000 karakterlik metin parçası.
* `kaynak` *(string)*: İlgili kurum (Yargıtay veya Danıştay).
* `esas_no`, `karar_no`, `tarih` *(string)*: İlgili kararın hukuki üst verileri (metadata).
* `dokuman_tipi` *(string)*: Multi-index filtreleme için 'Emsal Karar' etiketi.
* `vector` *(list[float32])*: 1024 boyutlu embedding vektörü.

**2. Mevzuat ve Kanunlar (`mevzuat`):**
* `id` *(string)*: Sistemsel kimlik (Örn: 'TMK_Madde_2').
* `kanun_adi`, `kanun_kisa_ad`, `madde_no` *(string)*: İlgili kanunun üst verileri.
* `orijinal_metin` *(string)*: Kanunun saf hali (LLM'in kullanıcıya sunması için idealdir).
* `text` *(string)*: Vektör modeline verilen zenginleştirilmiş bağlamlı metin.
* `dokuman_tipi` *(string)*: Multi-index filtreleme için 'Mevzuat' etiketi.
* `vector` *(list[float32])*: 1024 boyutlu embedding vektörü.

### 🚀 Kullanım Örneği (Python)
Veri setini alt kümelerine göre şu şekilde projenize dahil edebilirsiniz:

```python
from datasets import load_dataset

# Sadece Kanun Maddelerini yüklemek için:
mevzuat = load_dataset("muhamparlak/turkish-law-bge-m3-embeddings", "mevzuat")

# Sadece Emsal Kararları yüklemek için:
emsal = load_dataset("muhamparlak/turkish-law-bge-m3-embeddings", "emsal_kararlar")
```