ajout d'une nouvelle api qui rends plusieurs vecteur en fonction d'etiquettes données et d'une phrase

app.py

@@ -1,18 +1,46 @@
 from fastapi import FastAPI
 from sentence_transformers import SentenceTransformer
+from gliner import GLiNER
 from pydantic import BaseModel
+from typing import List
 import uvicorn
 
 app = FastAPI()
 
 class TextRequest(BaseModel):
-    text : str
+    text: str
 
-#chargement de du modele ia SBERT
-modele = SentenceTransformer('dangvantuan/sentence-camembert-base')
+class TextRequestAvecEtiquettes(BaseModel):
+    text: str
+    etiquettes: List[str]
+
+# Chargement des modèles IA
+modele_sbert = SentenceTransformer('dangvantuan/sentence-camembert-base')
+modele_gliner = GLiNER.from_pretrained("urchade/gliner_medium-v2.1")
 
 @app.post("/vecteur")
 def creat_vector(data: TextRequest):
-    vecteur = modele.encode(data.text).tolist()
+    vecteur = modele_sbert.encode(data.text).tolist()
     print(f"Taille vecteur envoyé : {len(vecteur)}")
-    return {"vecteur":vecteur}
+    return {"vecteur": vecteur}
+
+@app.post("/vecteurs")
+def creat_vectors(data: TextRequestAvecEtiquettes):
+    # Extraction des entités par étiquette via GLiNER
+    entites = modele_gliner.predict_entities(data.text, data.etiquettes)
+
+    # Regroupement des textes extraits par étiquette
+    entites_par_etiquette: dict[str, List[str]] = {}
+    for entite in entites:
+        label = entite["label"]
+        texte = entite["text"]
+        entites_par_etiquette.setdefault(label, []).append(texte)
+
+    # Génération d'un vecteur SBERT par étiquette
+    resultat = {}
+    for label, textes in entites_par_etiquette.items():
+        vecteur = modele_sbert.encode(" ".join(textes)).tolist()
+        resultat[label] = vecteur
+        print(f"Étiquette '{label}' : {len(textes)} entité(s), taille vecteur : {len(vecteur)}")
+
+    return resultat

requirements.txt

@@ -1,4 +1,5 @@
 fastapi
 uvicorn
 sentence-transformers
-pydantic
+pydantic
+gliner