Delete generate_question.py

generate_question.py

@@ -1,154 +0,0 @@
-# generate_question.py
-import json
-from difflib import SequenceMatcher
-from transformers import T5Tokenizer, T5ForConditionalGeneration
-from transformers.utils import logging as hf_logging
-
-# ===== Giảm ồn cảnh báo của transformers =====
-hf_logging.set_verbosity_error()
-
-# ===== Cấu hình đường dẫn =====
-MODEL_DIR = "t5-viet-qg-finetuned"  # thư mục model đã fine-tune
-DATA_PATH = "train-QA-v2.0.json"        # file JSON dữ liệu gốc
-
-# ===== Load model & tokenizer 1 lần =====
-tokenizer = T5Tokenizer.from_pretrained(MODEL_DIR)
-model = T5ForConditionalGeneration.from_pretrained(MODEL_DIR)
-
-def find_best_match_from_context(user_context, squad_data):
-    """
-    Tìm bản ghi gần nhất dựa trên article.title (giữ đúng logic code gốc).
-    Trả về tuple (context_title, answer_text, question_text) hoặc None.
-    """
-    best_score, best_entry = 0.0, None
-    ui = user_context.lower()
-
-    for article in squad_data.get("data", []):
-        context_title = article.get("title", "")
-        score_title = SequenceMatcher(None, ui, context_title.lower()).ratio()
-
-        for paragraph in article.get("paragraphs", []):
-            for qa in paragraph.get("qas", []):
-                answers = qa.get("answers", [])
-                if not answers:
-                    continue
-                answer_text = answers[0].get("text", "").strip()
-                question_text = qa.get("question", "").strip()
-
-                score = score_title
-                if score > best_score:
-                    best_score = score
-                    best_entry = (context_title, answer_text, question_text)
-
-    return best_entry
-
-def _near_duplicate(q, seen, thr=0.90):
-    """Loại câu gần trùng dựa trên tỉ lệ giống nhau."""
-    for s in seen:
-        if SequenceMatcher(None, q, s).ratio() >= thr:
-            return True
-    return False
-
-def generate_questions(user_context,
-                       total_questions=20,
-                       batch_size=10,
-                       top_k=60,
-                       top_p=0.95,
-                       temperature=0.9,
-                       max_input_len=512,
-                       max_new_tokens=64):
-    # Load dữ liệu JSON
-    with open(DATA_PATH, "r", encoding="utf-8") as f:
-        squad_data = json.load(f)
-
-    # Tìm bản ghi gần giống nhất (KHÔNG in ra màn hình)
-    best_entry = find_best_match_from_context(user_context, squad_data)
-    if best_entry is None:
-        print("❌ Không tìm thấy dữ liệu phù hợp trong file JSON.")
-        return
-
-    _, answer, _ = best_entry  # chỉ cần answer gốc để bảo toàn tính toàn vẹn
-
-    # Chuẩn bị input cho mô hình (đặt max_length để tránh cảnh báo truncate)
-    input_text = f"answer: {answer} context: {user_context}"
-    inputs = tokenizer(
-        input_text,
-        return_tensors="pt",
-        truncation=True,
-        max_length=max_input_len
-    )
-
-    # Sinh nhiều câu hỏi theo lô để tiết kiệm RAM
-    unique_questions = []
-    remaining = total_questions
-
-    while remaining > 0:
-        n = min(batch_size, remaining)
-        outputs = model.generate(
-            **inputs,
-            do_sample=True,
-            top_k=top_k,
-            top_p=top_p,
-            temperature=temperature,
-            max_new_tokens=max_new_tokens,   # chiều dài phần sinh
-            num_return_sequences=n,
-            no_repeat_ngram_size=3,
-            repetition_penalty=1.12
-        )
-
-        for out in outputs:
-            q = tokenizer.decode(out, skip_special_tokens=True).strip()
-            if len(q) < 5:  # lọc câu quá ngắn
-                continue
-            if not _near_duplicate(q, unique_questions, thr=0.90):
-                unique_questions.append(q)
-
-        remaining = total_questions - len(unique_questions)
-        if remaining <= 0:
-            break
-
-    # Cắt đúng số lượng yêu cầu
-    unique_questions = unique_questions[:total_questions]
-
-    print("✅ Các câu hỏi mới được sinh ra:")
-    for i, q in enumerate(unique_questions, 1):
-        print(f"{i}. {q}")
-
-if __name__ == "__main__":
-    # Nhập đoạn văn
-    user_context = input("\nNhập đoạn văn bản:\n ").strip()
-
-    # Nhập số lượng câu hỏi cần sinh (tùy biến)
-    raw_n = input("\nNhập vào số lượng câu hỏi bạn cần:").strip()
-    if raw_n == "":
-        total_questions = 20
-    else:
-        try:
-            total_questions = int(raw_n)
-        except ValueError:
-            print("⚠️ Giá trị không hợp lệ. Dùng mặc định 20.")
-            total_questions = 20
-
-    # Ràng buộc an toàn
-    if total_questions < 1:
-        total_questions = 1
-    if total_questions > 200:
-        print("⚠️ Giới hạn tối đa 200 câu. Sẽ sinh 200 câu.")
-        total_questions = 200
-
-    # batch_size tự động theo quy mô
-    batch_size = 10 if total_questions >= 30 else min(10, total_questions)
-
-    # Thông báo phân tích
-    print("\n🔍 Đang phân tích dữ liệu...\n")
-
-    generate_questions(
-        user_context=user_context,
-        total_questions=total_questions,
-        batch_size=batch_size,
-        top_k=60,
-        top_p=0.95,
-        temperature=0.9,
-        max_input_len=512,
-        max_new_tokens=64
-    )