Update src/streamlit_app.py

src/streamlit_app.py

@@ -5,6 +5,9 @@ from transformers import pipeline
 import joblib
 from offensive_keywords import offensive_keywords
 
+# ✅ كلمات جزئية مهمة مثل "امرأة" و"نساء" إلخ
+flag_keywords = ["امرأة", "نساء", "أنثى", "بنت", "للنساء", "للرجال", "سعودية", "جنسية", "العمر", "مظهر", "عقد", "ضغط العمل"]
+
 st.write(f"🔎 تم تحميل {len(offensive_keywords)} عبارة من الملف.")
 
 # ✅ إعداد التخزين المؤقت للنماذج
@@ -75,56 +78,43 @@ with col2:
 # ✅ إدخال الإعلان
 uploaded_text = st.text_area("✍️ أدخل نص الإعلان هنا:", height=150)
 
-# ✅ تصنيف الإعلان + فحص العبارات الكاملة والجزئية
+# ✅ تصنيف الإعلان + فحص العبارات
 if uploaded_text:
     try:
-        # تصنيف النموذج ML
         pred = classifier.predict([uploaded_text])[0]
 
-        # كلمات مفتاحية جزئية (مرنة)
-        flag_keywords = [
-            "للنساء", "للرجال", "النساء فقط", "الرجال فقط", "فقط", "جنسية", "شرط العمر",
-            "بدون عقد", "بدون تأمين", "مظهر لائق", "تحمل ضغط", "الوظيفة للذكور", "مطلوب نساء",
-            "يفضل سعودية", "دوام جزئي", "دوام مسائي", "راتب", "مغري", "جاذب", "الزي الرسمي"
-        ]
-
-        # تطابق حرفي كامل
-        phrase_matches = [kw for kw in offensive_keywords if kw in uploaded_text]
-        # تطابق جزئي بالكلمات
-        keyword_matches = [k for k in flag_keywords if k in uploaded_text]
-
-        # الدمج النهائي
-        violations = list(set(phrase_matches + keyword_matches))
-        has_violations = len(violations) > 0
+        # فحص مطابقة العبارات بالكامل أو جزئياً
+        violations = list(set(
+            [kw for kw in offensive_keywords if kw in uploaded_text] +
+            [kw for kw in flag_keywords if kw in uploaded_text]
+        ))
 
-        # منطق التصنيف النهائي
-        if has_violations:
+        if violations:
             final_label = "❌ إعلان مخالف"
         elif pred == 1:
             final_label = "✅ إعلان سليم"
         else:
             final_label = "❌ إعلان مخالف"
 
-        # عرض النتيجة النهائية فقط
+        # ✅ عرض النتيجة
         st.markdown(f'<div class="metric-container"><h4>{final_label}</h4></div>', unsafe_allow_html=True)
 
     except Exception as e:
         st.error(f"حدث خطأ في التنبؤ: {str(e)}")
 
-# ✅ تحليل العبارات (تفصيل المخالفات + نسبة)
+# ✅ زر تحليل العبارات
 if st.button("🔍 تحليل العبارات"):
     if uploaded_text:
-        violations = list(set(phrase_matches + keyword_matches))
+        violations = list(set(
+            [kw for kw in offensive_keywords if kw in uploaded_text] +
+            [kw for kw in flag_keywords if kw in uploaded_text]
+        ))
         if violations:
             st.error("❌ الإعلان يحتوي على عبارات مخالفة:")
             for v in violations:
                 st.markdown(f"<li style='color:#b00020'>{v}</li>", unsafe_allow_html=True)
-            violation_score = min(5 + len(violations) * 20, 95)
         else:
             st.success("✅ لا توجد عبارات مخالفة.")
-            violation_score = 5
-
-        st.metric(label="نسبة المخالفة المتوقعة", value=f"{violation_score}%")
 
 # ✅ توصيات GPT-2
 st.subheader("💡 توصيات الذكاء الاصطناعي")