# Embedding (vektör temsili)

> Embedding, bir kelimeyi, cümleyi, belgeyi veya görseli anlamını koruyacak şekilde sabit uzunlukta bir sayı dizisine (vektöre) çeviren ve benzer içerikleri birbirine yakın konumlandıran bir temsil yöntemidir. 'Fatura iadesi' ile 'ödeme geri alma' farklı kelimeler olsa da vektörleri birbirine yakın düşer. Anlamsal arama ve RAG bu yakınlığa dayanır.

URL: https://corrplus.net/tr/sozluk/embedding-nedir/
Güncellendi: 2026-10-22
Corrplus Ekibi

**Tanım:** Embedding, bir kelimeyi, cümleyi, belgeyi veya görseli anlamını koruyacak şekilde sabit uzunlukta bir sayı dizisine (vektöre) çeviren ve benzer içerikleri birbirine yakın konumlandıran bir temsil yöntemidir.

## Embedding nasıl çalışır?

Bir embedding modeli, büyük miktarda metinle eğitilerek anlamca yakın ifadeleri yakın vektörlere eşlemeyi öğrenir. Çıktı, yüzlerce veya binlerce sayıdan oluşan bir dizidir. İki vektör arasındaki benzerlik (genellikle kosinüs benzerliği) iki içeriğin anlamca ne kadar yakın olduğunu gösterir. Bu vektörler bir [vektör veritabanında](/tr/sozluk/vektor-veritabani-nedir/) saklanır ve aranır.

Embedding modeli metin üretmez, yalnız temsil üretir. Bu yüzden [büyük dil modellerine](/tr/sozluk/llm-nedir/) göre çok daha küçük ve ucuzdur; kendi sunucunuzda çalıştırılması da kolaydır.

## Ne zaman kullanılır?

[RAG](/tr/sozluk/rag-nedir/) sistemlerinde ilgili belge parçalarını bulmak, destek taleplerini konularına göre gruplamak, benzer ürünleri önermek, tekrar eden kayıtları bulmak ve metin sınıflandırmak için. Bilinen seçenekler arasında OpenAI, Google, Cohere ve Mistral'in embedding modelleri ile Hugging Face'teki açık çok dilli modeller sayılabilir.

## Türkçe içerikte embedding

Türkçe eklemli bir dildir; "siparişlerimizin" gibi tek kelime çok bilgi taşır. Yalnız İngilizce için eğitilmiş modeller Türkçede zayıf kalabilir, bu yüzden çok dilli modeller tercih edilmelidir. Belgeleri anlamlı parçalara bölmek de modelin seçimi kadar önemlidir. Kişisel veri içeren metinleri vektöre çevirmek için harici bir API kullanılacaksa [KVKK](/tr/sozluk/kvkk-nedir/) açısından yurt dışı aktarım değerlendirilmelidir.

## Sık sorulan sorular

### Hangi embedding modelini seçmeliyim?

Türkçe içerik varsa çok dilli bir model seçin ve kendi belgelerinizden hazırladığınız soru-cevap çiftleriyle birkaç modeli karşılaştırın. Genel sıralamalar fikir verir ama sizin verinizdeki sonucu garanti etmez.

### Embedding modeli değişirse ne olur?

Farklı modellerin vektörleri birbiriyle karşılaştırılamaz. Model değiştiğinde tüm belgelerin yeniden vektöre çevrilmesi gerekir. Bu yüzden model seçimi baştan özenle yapılmalıdır.