# Embedding (Gömme Vektörü)

Adres: https://softwaredictionary.org/tr/terimler/embedding
Kategori: Yapay Zekâ ve Makine Öğrenmesi
Son güncelleme: 2026-09-29
Okunuşu: imbeding

Kısaca: Embedding, metin, görüntü ya da başka verilerin anlamını vektör denen bir sayı listesiyle temsil eden ve benzer öğeleri birbirine yakın konumlandıran yapıdır.

## Embedding nedir?

Embedding, bir cümle ya da fotoğraf gibi bilgisayarın kolayca karşılaştıramadığı bir şeyi, vektör adı verilen sabit uzunlukta bir sayı listesine dönüştürür. Embedding modeli, anlamı benzer öğelerin benzer vektörler alacağı şekilde eğitilir. Örneğin 'Parolamı nasıl sıfırlarım?' ile 'Giriş bilgilerimi unuttum' neredeyse hiç ortak sözcük içermese de birbirine yakın vektörler üretir.

Embedding'leri harita üzerindeki noktalar gibi düşünebilirsiniz; tek fark, haritanın iki boyut yerine yüzlerce ya da binlerce boyuta sahip olmasıdır. İki öğenin ne kadar ilişkili olduğunu ölçmek için vektörleri karşılaştırırsınız; en sık kullanılan yöntem, aralarındaki açıya bakan kosinüs benzerliğidir. 1'e yakın bir skor anlamın çok benzer olduğunu, 0'a yakın bir skor ise öğelerin ilgisiz olduğunu gösterir.

Embedding'ler anlamsal aramaya, öneri sistemlerine, yinelenen kayıt tespitine, kümelemeye ve RAG sistemlerine güç verir. Genellikle bir vektör veritabanında ya da vektör indeksi olan sıradan bir veritabanında saklanır; bu sistemler bir sorgu vektörüne en yakın kayıtlı vektörleri hızla bulabilir.

Embedding ile anlamsal arama, anahtar kelime aramasından farklıdır. Anahtar kelime araması birebir sözcükleri eşleştirir; embedding araması ise anlamı eşleştirir, bu yüzden farklı ifadeler kullanılsa bile ilgili sonuçları bulabilir. Birçok sistem her iki yaklaşımı birleştirir; buna hibrit arama denir.

## Önemli noktalar

- Embedding, anlamı yakalayan bir sayı vektörüdür.
- Anlamı benzer öğelerin vektörleri birbirine yakındır.
- Kosinüs benzerliği, iki embedding'i karşılaştırmanın yaygın bir yoludur.
- Embedding'ler anlamsal arama, öneri ve RAG'i mümkün kılar.
- Yalnızca aynı model tarafından üretilen embedding'leri karşılaştırın.

## Örnek: Embedding'leri kosinüs benzerliğiyle karşılaştırmak

```python
import math

def cosine_similarity(a, b):
    # 1.0 = same direction (similar meaning), near 0 = unrelated
    dot = sum(x * y for x, y in zip(a, b))
    return dot / (math.hypot(*a) * math.hypot(*b))

# Tiny made-up embeddings (real ones have hundreds of dimensions)
cat = [0.9, 0.1, 0.3]
kitten = [0.85, 0.15, 0.35]
car = [0.1, 0.9, 0.2]

print(cosine_similarity(cat, kitten))  # about 0.996 (very similar)
print(cosine_similarity(cat, car))     # about 0.27 (not similar)
```

## Sık sorulan sorular

**Vektör veritabanı nedir?**

Vektör veritabanı embedding'leri saklar ve bir sorgu vektörüne en yakın vektörleri hızla bulabilir; buna benzerlik ya da en yakın komşu araması denir. Anlamsal aramanın ve RAG uygulamalarının temel yapı taşlarından biridir.

**Embedding ile token arasındaki fark nedir?**

Token, bir dil modelinin okuduğu metin parçasıdır; embedding ise anlamı temsil eden bir sayı vektörüdür. Bir LLM'in içinde her token bir embedding'e dönüştürülür; özel embedding modelleri ise tüm bir cümle ya da belge için tek bir vektör üretir.

**Bir embedding kaç boyuta sahiptir?**

Modele bağlıdır; yaygın boyutlar birkaç yüzden birkaç bine kadar değişir. Daha fazla boyut daha fazla nüansı yakalayabilir, ancak daha çok depolama alanı ve işlem gücü gerektirir.

## Kaynaklar

- [Mikolov et al.: Efficient Estimation of Word Representations in Vector Space (2013)](https://arxiv.org/abs/1301.3781)

---

Software Dictionary: https://softwaredictionary.org/tr · https://softwaredictionary.org/tr/llms.txt