Update app.py

app.py

@@ -1,305 +1,300 @@
-#!/usr/bin/env python
-# coding: utf-8
-
-# In[1]:
-
-
-get_ipython().run_line_magic('load_ext', 'gradio')
-
-
-# In[48]:
-
-
-import gradio as gr
-from llama_cpp import Llama
-from langchain_community.llms import LlamaCpp
-from langchain.prompts import PromptTemplate
-import llama_cpp
-from langchain.callbacks.manager import CallbackManager
-from sentence_transformers import SentenceTransformer
-from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
-import numpy as np
-import pandas as pd
-import re
-import os
-from sklearn.metrics.pairwise import cosine_similarity
-
-model = SentenceTransformer('sentence-transformers/paraphrase-multilingual-mpnet-base-v2',device='cpu')
-
-
-# llm = LlamaCpp(
-#     model_path=r"C:\Users\Cora\.cache\lm-studio\models\YC-Chen\Breeze-7B-Instruct-v1_0-GGUF\breeze-7b-instruct-v1_0-q4_k_m.gguf",
-#     n_gpu_layers=100,
-#     n_batch=512,
-#     n_ctx=3000,
-#     f16_kv=True,
-#     callback_manager=CallbackManager([StreamingStdOutCallbackHandler()]),
-#     verbose=False,
-# )
-
-llm = LlamaCpp(
-    model_path=r"C:\Users\user\breeze-7b-instruct-v1_0-q4_k_m.gguf",
-    n_gpu_layers=100,
-    n_batch=512,
-    n_ctx=3000,
-    f16_kv=True,
-    callback_manager=CallbackManager([StreamingStdOutCallbackHandler()]),
-    verbose=False,
-)
-
-embedd_bk=pd.read_pickle(r"C:\Users\user\推薦系統實作\bk_description1_角色形容詞_677.pkl")
-df_bk=pd.read_excel(r"C:\Users\user\推薦系統實作\bk_description1_角色形容詞短文.xlsx")
-
-def invoke_with_temperature(prompt, temperature=0.4):
-    return llm.invoke(prompt, temperature=temperature)
-
-def process_user_input(message):
-    user_mental_state4= PromptTemplate(
-        input_variables=["input"],
-        template="""[INST]<<SYS>>你是一位具有同理心的專業心理諮商師，沒有性別歧視，你可以客觀的根據談話內容的描述，判斷說話的人的心理困擾<</SYS>> 
-        請根據{input}描述三個最有可能心理困擾，輸出只包含三個心理困擾，回答格式只採用CSV格式，分隔符號使用逗號，參考以下範例：名詞1,名詞2,名詞3。[/INST]"""
-    )
-    
-    user_character= PromptTemplate(
-        input_variables=["input"],
-        template="""[INST]<<SYS>>你是一位具有同理心的專業心理諮商師，沒有性別歧視，你可以客觀的根據談話內容的描述，判斷說話的大學生，在生活中的多重角色身分<</SYS>> 
-        請你根據談話內容{input}，客觀的判斷說話的大學生，在談話內容中的角色，以及他生活中其他角色的身分，提供三個最有可能的角色身分名詞，
-        輸出只包含三個身分名詞，回答格式只採用CSV格式，分隔符號使用逗號，參考以下範例：名詞1,名詞2,名詞3。[/INST]"""
-    )
-    
-
-    df_user=pd.DataFrame(columns=["輸入內容","形容詞1", "形容詞2", "形容詞3", "角色1", "角色2", "角色3"])
-    #df_user_record=pd.read_excel(r"C:\Users\Cora\推薦系統實作\gradio系統歷史紀錄.xlsx")
-    
-
-    prompt_value1=user_mental_state4.invoke({"input":message})
-    string=invoke_with_temperature(prompt_value1)
-    #print("\n")
-
-    # 將字符串分割為名詞
-    adjectives = [adj.strip() for adj in re.split('[,、，]', string)]
-    
-    index=len(df_user)
-    df_user.loc[index, '輸入內容'] = message
-
-    # 確保形容詞數量符合欄位數量
-    if len(adjectives) == 3:
-        df_user.loc[index, '形容詞1'] = adjectives[0]
-        df_user.loc[index, '形容詞2'] = adjectives[1]
-        df_user.loc[index, '形容詞3'] = adjectives[2]
-
-    prompt_value2=user_character.invoke({"input":message})
-    string=invoke_with_temperature(prompt_value2)
-    #print("\n")
-
-    # 將字符串分割為名詞
-    character = [adj.strip() for adj in re.split('[,、，]', string)]
-    for i in range(min(len(character), 3)):
-        df_user.loc[index, f'角色{i+1}'] = character[i]
-    # if len(character) == 3:
-    #     df_user.loc[index, '角色1'] = character[0]
-    #     df_user.loc[index, '角色2'] = character[1]
-    #     df_user.loc[index, '角色3'] = character[2]
-    df_user.to_excel("user_gradio系統.xlsx")
-    return df_user
-    #return message
-
-def embedd_df_user(df_user):
-    
-    columns_to_encode=df_user.loc[:,["形容詞1", "形容詞2", "形容詞3"]]
-
-    # 初始化一個空的 DataFrame，用來存儲向量化結果
-    embedd_user=df_user[["輸入內容"]]
-    #user_em= user_em.assign(形容詞1=None, 形容詞2=None, 形容詞3=None,角色1=None,角色2=None,角色3=None)
-    embedd_user= embedd_user.assign(形容詞1=None, 形容詞2=None, 形容詞3=None)
-    
-
-    # 遍歷每一個單元格，將結果存入新的 DataFrame 中
-    i=len(df_user)-1
-    for col in columns_to_encode:
-        #print(i,col)
-        # 將每個單元格的內容進行向量化
-        embedd_user.at[i, col] = model.encode(df_user.at[i, col])           
-    
-    embedd_user.to_pickle(r"C:\Users\user\推薦系統實作\user_gradio系統.pkl")
-    
-    return embedd_user
-    #word="happy"
-    #return word
-
-def top_n_books_by_average(df, n=3):
-    
-    # 根据 `average` 列降序排序
-    sorted_df = df.sort_values(by='average', ascending=False)
-    
-    # 选择前 N 行
-    top_n_df = sorted_df.head(n)
-    
-    # 提取书名列
-    top_books = top_n_df['書名'].tolist()
-    
-    return top_books,sorted_df
-
-def similarity(embedd_user,embedd_bk,df_bk):
-    df_similarity= pd.DataFrame(df_bk[['書名','短文','URL',"形容詞1", "形容詞2", "形容詞3", '角色1', '角色2', '角色3']])
-    df_similarity['average'] = np.nan
-    #for p in range(len(embedd_user)): 
-    index=len(embedd_user)-1               
-    for k in range(len(embedd_bk)):
-            list=[]
-            for i in range(1,4):
-                for j in range(3,6):
-                    vec1=embedd_user.iloc[index,i]#i是第i個形容詞，index是第幾個是使用者輸入
-                    vec2=embedd_bk.iloc[k,j]
-                    similarity = cosine_similarity([vec1], [vec2])
-                    list.append(similarity[0][0])
-            # 计算总和
-            total_sum = sum(list)
-            # 计算数量
-            count = len(list)
-            # 计算平均值
-            average = total_sum / count
-            df_similarity.loc[k,'average']=average
-
-    top_books,sorted_df = top_n_books_by_average(df_similarity)
-    return sorted_df     
-
-def filter(sorted_df,df_user):
-    filter_prompt4 = PromptTemplate(
-        input_variables=["mental_issue", "user_identity"," book","book_reader", "book_description"],
-        template="""[INST]<<SYS>>你是專業的心理諮商師和書籍推薦專家，擅長根據使用者的心理問題、身份特質，以及書名、書籍針對的主題和適合的讀者，判斷書籍是否適合推薦給使用者。
-
-        你的目的是幫助讀者找到可以緩解心理問題的書籍。請注意：
-        1. 若書籍針對的問題與使用者的心理問題有關聯，即使書籍適合的讀者群與使用者身份沒有直接關聯，應偏向推薦。
-        2. 若使用者身份的需求與書籍針對的問題有潛在關聯，應偏向推薦。
-        3. 若書籍適合的讀者與使用者身份特質有任何關聯，應傾向推薦。
-        4. 若書名跟使用者的心理問題或身分特質有任何關聯，應偏向推薦<</SYS>>
-
-        使用者提供的資訊如下：
-        使用者身份是「{user_identity}」，其心理問題是「{mental_issue}」。書名是{book}，書籍適合的讀者群為「{book_reader}」，書籍針對的問題是「{book_description}」。
-
-        請根據以上資訊判斷這本書是否適合推薦給該使用者。
-        僅輸出「是」或「否」，輸出後即停止。[/INST]"""
-     )
-    df_filter=sorted_df.iloc[:20,:]
-    df_filter = df_filter.reset_index(drop=True)
-    df_filter=df_filter.assign(推薦=None)
-
-    
-    p=len(df_user)-1
-    sum_for_bk=0
-    # 提取角色內容
-    role1 = df_user["角色1"].iloc[p] if pd.notnull(df_user["角色1"].iloc[p]) else ""
-    role2 = df_user["角色2"].iloc[p] if pd.notnull(df_user["角色2"].iloc[p]) else ""
-    role3 = df_user["角色3"].iloc[p] if pd.notnull(df_user["角色3"].iloc[p]) else ""
-    
-    # 用"、"連接不為空的角色
-    user_identity = "、".join([role for role in [role1, role2, role3] if role])  # 只加入有內容的角色
-    
-    #user_identity = df_user["角色1"].iloc[p]+"、"+df_user["角色2"].iloc[p]+"、"+df_user["角色3"].iloc[p]
-    mental_issue=df_user["形容詞1"].iloc[p]+"、"+df_user["形容詞2"].iloc[p]+"、"+df_user["形容詞3"].iloc[p]
-    for k in range(len(df_filter)):    
-        #word=df_user["輸入內容"].iloc[p]
-        #book_reader = df_filter["角色1"].iloc[p] + "or" + df_filter["角色2"].iloc[p] + "or" + df_filter["角色3"].iloc[p]
-        book=df_filter["書名"].iloc[k] 
-        book_reader = df_filter["角色1"].iloc[k] 
-        # user_identity = df_user["角色1"].iloc[p]+"、"+df_user["角色2"].iloc[p]+"、"+df_user["角色3"].iloc[p]
-        # mental_issue=df_user["形容詞1"].iloc[p]+"、"+df_user["形容詞2"].iloc[p]+"、"+df_user["形容詞3"].iloc[p]
-        book_description=df_filter["形容詞1"].iloc[k]+"、"+df_filter["形容詞2"].iloc[k]+"、"+df_filter["形容詞3"].iloc[k]
-        print(book_reader)
-        print(user_identity)
-        #output = filter_prompt1.invoke({"user_identity": user_identity, "book_reader": book_reader})
-        output = filter_prompt4.invoke({"mental_issue":mental_issue,"user_identity": user_identity, "book":book,"book_description":book_description,"book_reader": book_reader})
-        string2=invoke_with_temperature(output)
-        df_filter.loc[k, '推薦'] =string2
-        if string2.strip()=="��":
-            sum_for_bk+=1
-            if(sum_for_bk==3):
-                break   
-    df_recommend=df_filter[df_filter["推薦"].str.strip() == "是"]
-        
-    return df_recommend
-    
-def output_content(df_recommend):
-    
-    title = {}
-    URL = {}
-    summary = {}
-    
-    for i in range(3):
-        title[f'title_{i}'] = df_recommend.iloc[i, 0]  # Using iloc instead of loc
-        URL[f'URL_{i}'] = df_recommend.iloc[i, 2]
-        summary[f'summary_{i}'] = df_recommend.iloc[i, 1]
-    
-    output = f"""根據您的狀態，這裡提供三本書供您參考\n 
-               <第一本>
-               書名：{title['title_0']}\n        
-               本書介紹:{summary['summary_0']}\n       
-               購書網址：{URL['URL_0']}\n 
-               <第二本>
-               書名：{title['title_1']}\n        
-               本書介紹:{summary['summary_1']}\n       
-               購書網址：{URL['URL_1']}\n   
-               <第三本>
-               書名：{title['title_2']}\n        
-               本書介紹:{summary['summary_2']}\n       
-               購書網址：{URL['URL_2']}\n   
-               希望對您有所幫助"""
-    return output                   
-                    
-def main_pipeline(message,history):
-                
-    df_user=process_user_input(message)
-    embedd_user=embedd_df_user(df_user)
-    sorted_df=similarity(embedd_user,embedd_bk,df_bk)
-    df_filter=filter(sorted_df,df_user)
-    final=output_content(df_filter)
-    return final
-
-css = """
-.chatbox .message-box {
-    height: 500px !important;  # 設定訊息框的高度
-    width: 100% 
-    overflow-y: auto;  # 如果內容超出高度則顯示滾動條
-    text-rendering: optimizeLegibility;  # 啟用抗鋸齒渲染
-}
-
-
-"""
-
-theme=gr.themes.Default(primary_hue=gr.themes.colors.red, secondary_hue=gr.themes.colors.pink,font=[gr.themes.GoogleFont("LXGW WenKai Mono TC")]).set(
-  body_background_fill='#FFF5EE'
-)
-
-with gr.Blocks(theme=theme) as demo:
-    with gr.Row():
-        with gr.Column():
-            gr.Markdown("""
-            <div style="text-align: center;">
-                <h1 style="display: inline; vertical-align: middle;">
-                    <img src="https://encrypted-tbn0.gstatic.com/images?q=tbn:ANd9GcR_Rj6Add1OjrIeVXL4z84YzG4QIEuM4ptvvQ&s" 
-                         width="100" height="100" style="display: inline; vertical-align: middle; margin-right: 10px;">
-                    心理書籍推薦系統
-                    <img src="https://encrypted-tbn0.gstatic.com/images?q=tbn:ANd9GcR_Rj6Add1OjrIeVXL4z84YzG4QIEuM4ptvvQ&s" 
-                         width="100" height="100" style="display: inline; vertical-align: middle; margin-left: 10px;">
-                </h1>
-            </div>
-            """)
-
-            gr.ChatInterface(
-                main_pipeline,
-                type="messages",
-                title="",  # title 設為空，使用自定義 Markdown 標題
-                description='<div style="text-align: center;font-size:16px">這是個讓人放鬆的網站，希望透過讓人抒發心情表達現在面臨的狀況與挑戰，從書裡獲得解答。</div><div style="text-align: center;font-size: 16px;">-你可以告訴我們最近的心情和想法，放心我們不會儲存任何紀錄-</div>',
-                css=css
-            )
-
-if __name__ == "__main__":
-    demo.launch(share=True)
-
-
-# In[ ]:
-
-
-
-
+#!/usr/bin/env python
+# coding: utf-8
+
+
+# In[48]:
+
+
+import gradio as gr
+from llama_cpp import Llama
+from langchain_community.llms import LlamaCpp
+from langchain.prompts import PromptTemplate
+import llama_cpp
+from langchain.callbacks.manager import CallbackManager
+from sentence_transformers import SentenceTransformer
+from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
+import numpy as np
+import pandas as pd
+import re
+import os
+from sklearn.metrics.pairwise import cosine_similarity
+
+model = SentenceTransformer('sentence-transformers/paraphrase-multilingual-mpnet-base-v2',device='cpu')
+
+
+# llm = LlamaCpp(
+#     model_path=r"C:\Users\Cora\.cache\lm-studio\models\YC-Chen\Breeze-7B-Instruct-v1_0-GGUF\breeze-7b-instruct-v1_0-q4_k_m.gguf",
+#     n_gpu_layers=100,
+#     n_batch=512,
+#     n_ctx=3000,
+#     f16_kv=True,
+#     callback_manager=CallbackManager([StreamingStdOutCallbackHandler()]),
+#     verbose=False,
+# )
+
+llm = LlamaCpp(
+    model_path=r"C:\Users\user\breeze-7b-instruct-v1_0-q4_k_m.gguf",
+    n_gpu_layers=100,
+    n_batch=512,
+    n_ctx=3000,
+    f16_kv=True,
+    callback_manager=CallbackManager([StreamingStdOutCallbackHandler()]),
+    verbose=False,
+)
+
+embedd_bk=pd.read_pickle(r"C:\Users\user\推薦系統實作\bk_description1_角色形容詞_677.pkl")
+df_bk=pd.read_excel(r"C:\Users\user\推薦系統實作\bk_description1_角色形容詞短文.xlsx")
+
+def invoke_with_temperature(prompt, temperature=0.4):
+    return llm.invoke(prompt, temperature=temperature)
+
+def process_user_input(message):
+    user_mental_state4= PromptTemplate(
+        input_variables=["input"],
+        template="""[INST]<<SYS>>你是一位具有同理心的專業心理諮商師，沒有性別歧視，你可以客觀的根據談話內容的描述，判斷說話的人的心理困擾<</SYS>> 
+        請根據{input}描述三個最有可能心理困擾，輸出只包含三個心理困擾，回答格式只採用CSV格式，分隔符號使用逗號，參考以下範例：名詞1,名詞2,名詞3。[/INST]"""
+    )
+    
+    user_character= PromptTemplate(
+        input_variables=["input"],
+        template="""[INST]<<SYS>>你是一位具有同理心的專業心理諮商師，沒有性別歧視，你可以客觀的根據談話內容的描述，判斷說話的大學生，在生活中的多重角色身分<</SYS>> 
+        請你根據談話內容{input}，客觀的判斷說話的大學生，在談話內容中的角色，以及他生活中其他角色的身分，提供三個最有可能的角色身分名詞，
+        輸出只包含三個身分名詞，回答格式只採用CSV格式，分隔符號使用逗號，參考以下範例：名詞1,名詞2,名詞3。[/INST]"""
+    )
+    
+
+    df_user=pd.DataFrame(columns=["輸入內容","形容詞1", "形容詞2", "形容詞3", "角色1", "角色2", "角色3"])
+    #df_user_record=pd.read_excel(r"C:\Users\Cora\推薦系統實作\gradio系統歷史紀錄.xlsx")
+    
+
+    prompt_value1=user_mental_state4.invoke({"input":message})
+    string=invoke_with_temperature(prompt_value1)
+    #print("\n")
+
+    # 將字符串分割為名詞
+    adjectives = [adj.strip() for adj in re.split('[,、，]', string)]
+    
+    index=len(df_user)
+    df_user.loc[index, '輸入內容'] = message
+
+    # 確保形容詞數量符合欄位數量
+    if len(adjectives) == 3:
+        df_user.loc[index, '形容詞1'] = adjectives[0]
+        df_user.loc[index, '形容詞2'] = adjectives[1]
+        df_user.loc[index, '形容詞3'] = adjectives[2]
+
+    prompt_value2=user_character.invoke({"input":message})
+    string=invoke_with_temperature(prompt_value2)
+    #print("\n")
+
+    # 將字符串分割為名詞
+    character = [adj.strip() for adj in re.split('[,、，]', string)]
+    for i in range(min(len(character), 3)):
+        df_user.loc[index, f'角色{i+1}'] = character[i]
+    # if len(character) == 3:
+    #     df_user.loc[index, '角色1'] = character[0]
+    #     df_user.loc[index, '角色2'] = character[1]
+    #     df_user.loc[index, '角色3'] = character[2]
+    df_user.to_excel("user_gradio系統.xlsx")
+    return df_user
+    #return message
+
+def embedd_df_user(df_user):
+    
+    columns_to_encode=df_user.loc[:,["形容詞1", "形容詞2", "形容詞3"]]
+
+    # 初始化一個空的 DataFrame，用來存儲向量化結果
+    embedd_user=df_user[["輸入內容"]]
+    #user_em= user_em.assign(形容詞1=None, 形容詞2=None, 形容詞3=None,角色1=None,角色2=None,角色3=None)
+    embedd_user= embedd_user.assign(形容詞1=None, 形容詞2=None, 形容詞3=None)
+    
+
+    # 遍歷每一個單元格，將結果存入新的 DataFrame 中
+    i=len(df_user)-1
+    for col in columns_to_encode:
+        #print(i,col)
+        # 將每個單元格的內容進行向量化
+        embedd_user.at[i, col] = model.encode(df_user.at[i, col])           
+    
+    embedd_user.to_pickle(r"C:\Users\user\推薦系統實作\user_gradio系統.pkl")
+    
+    return embedd_user
+    #word="happy"
+    #return word
+
+def top_n_books_by_average(df, n=3):
+    
+    # 根据 `average` 列降序排序
+    sorted_df = df.sort_values(by='average', ascending=False)
+    
+    # 选择前 N 行
+    top_n_df = sorted_df.head(n)
+    
+    # 提取书名列
+    top_books = top_n_df['書名'].tolist()
+    
+    return top_books,sorted_df
+
+def similarity(embedd_user,embedd_bk,df_bk):
+    df_similarity= pd.DataFrame(df_bk[['書名','短文','URL',"形容詞1", "形容詞2", "形容詞3", '角色1', '角色2', '角色3']])
+    df_similarity['average'] = np.nan
+    #for p in range(len(embedd_user)): 
+    index=len(embedd_user)-1               
+    for k in range(len(embedd_bk)):
+            list=[]
+            for i in range(1,4):
+                for j in range(3,6):
+                    vec1=embedd_user.iloc[index,i]#i是第i個形容詞，index是第幾個是使用者輸入
+                    vec2=embedd_bk.iloc[k,j]
+                    similarity = cosine_similarity([vec1], [vec2])
+                    list.append(similarity[0][0])
+            # 计算总和
+            total_sum = sum(list)
+            # 计算数量
+            count = len(list)
+            # 计算平均值
+            average = total_sum / count
+            df_similarity.loc[k,'average']=average
+
+    top_books,sorted_df = top_n_books_by_average(df_similarity)
+    return sorted_df     
+
+def filter(sorted_df,df_user):
+    filter_prompt4 = PromptTemplate(
+        input_variables=["mental_issue", "user_identity"," book","book_reader", "book_description"],
+        template="""[INST]<<SYS>>你是專業的心理諮商師和書籍推薦專家，擅長根據使用者的心理問題、身份特質，以及書名、書籍針對的主題和適合的讀者，判斷書籍是否適合推薦給使用者。
+
+        你的目的是幫助讀者找到可以緩解心理問題的書籍。請注意：
+        1. 若書籍針對的問題與使用者的心理問題有關聯，即使書籍適合的讀者群與使用者身份沒有直接關聯，應偏向推薦。
+        2. 若使用者身份的需求與書籍針對的問題有潛在關聯，應偏向推薦。
+        3. 若書籍適合的讀者與使用者身份特質有任何關聯，應傾向推薦。
+        4. 若書名跟使用者的心理問題或身分特質有任何關聯，應偏向推薦<</SYS>>
+
+        使用者提供的資訊如下：
+        使用者身份是「{user_identity}」，其心理問題是「{mental_issue}」。書名是{book}，書籍適合的讀者群為「{book_reader}」，書籍針對的問題是「{book_description}」。
+
+        請根據以上資訊判斷這本書是否適合推薦給該使用者。
+        僅輸出「是」或「否」，輸出後即停止。[/INST]"""
+     )
+    df_filter=sorted_df.iloc[:20,:]
+    df_filter = df_filter.reset_index(drop=True)
+    df_filter=df_filter.assign(推薦=None)
+
+    
+    p=len(df_user)-1
+    sum_for_bk=0
+    # 提取角色內容
+    role1 = df_user["角色1"].iloc[p] if pd.notnull(df_user["角色1"].iloc[p]) else ""
+    role2 = df_user["角色2"].iloc[p] if pd.notnull(df_user["角色2"].iloc[p]) else ""
+    role3 = df_user["角色3"].iloc[p] if pd.notnull(df_user["角色3"].iloc[p]) else ""
+    
+    # 用"、"連接不為空的角色
+    user_identity = "、".join([role for role in [role1, role2, role3] if role])  # 只加入有內容的角色
+    
+    #user_identity = df_user["角色1"].iloc[p]+"、"+df_user["角色2"].iloc[p]+"、"+df_user["角色3"].iloc[p]
+    mental_issue=df_user["形容詞1"].iloc[p]+"、"+df_user["形容詞2"].iloc[p]+"、"+df_user["形容詞3"].iloc[p]
+    for k in range(len(df_filter)):    
+        #word=df_user["輸入內容"].iloc[p]
+        #book_reader = df_filter["角色1"].iloc[p] + "or" + df_filter["角色2"].iloc[p] + "or" + df_filter["角色3"].iloc[p]
+        book=df_filter["書名"].iloc[k] 
+        book_reader = df_filter["角色1"].iloc[k] 
+        # user_identity = df_user["角色1"].iloc[p]+"、"+df_user["角色2"].iloc[p]+"、"+df_user["角色3"].iloc[p]
+        # mental_issue=df_user["形容詞1"].iloc[p]+"、"+df_user["形容詞2"].iloc[p]+"、"+df_user["形容詞3"].iloc[p]
+        book_description=df_filter["形容詞1"].iloc[k]+"、"+df_filter["形容詞2"].iloc[k]+"、"+df_filter["形容詞3"].iloc[k]
+        print(book_reader)
+        print(user_identity)
+        #output = filter_prompt1.invoke({"user_identity": user_identity, "book_reader": book_reader})
+        output = filter_prompt4.invoke({"mental_issue":mental_issue,"user_identity": user_identity, "book":book,"book_description":book_description,"book_reader": book_reader})
+        string2=invoke_with_temperature(output)
+        df_filter.loc[k, '推薦'] =string2
+        if string2.strip()=="是":
+            sum_for_bk+=1
+            if(sum_for_bk==3):
+                break   
+    df_recommend=df_filter[df_filter["推薦"].str.strip() == "是"]
+        
+    return df_recommend
+    
+def output_content(df_recommend):
+    
+    title = {}
+    URL = {}
+    summary = {}
+    
+    for i in range(3):
+        title[f'title_{i}'] = df_recommend.iloc[i, 0]  # Using iloc instead of loc
+        URL[f'URL_{i}'] = df_recommend.iloc[i, 2]
+        summary[f'summary_{i}'] = df_recommend.iloc[i, 1]
+    
+    output = f"""根據您的狀態，這裡提供三本書供您參考\n 
+               <第一本>
+               書名：{title['title_0']}\n        
+               本書介紹:{summary['summary_0']}\n       
+               購書網址：{URL['URL_0']}\n 
+               <第二本>
+               書名：{title['title_1']}\n        
+               本書介紹:{summary['summary_1']}\n       
+               購書網址：{URL['URL_1']}\n   
+               <第三本>
+               書名：{title['title_2']}\n        
+               本書介紹:{summary['summary_2']}\n       
+               購書網址：{URL['URL_2']}\n   
+               希望對您有所幫助"""
+    return output                   
+                    
+def main_pipeline(message,history):
+                
+    df_user=process_user_input(message)
+    embedd_user=embedd_df_user(df_user)
+    sorted_df=similarity(embedd_user,embedd_bk,df_bk)
+    df_filter=filter(sorted_df,df_user)
+    final=output_content(df_filter)
+    return final
+
+css = """
+.chatbox .message-box {
+    height: 500px !important;  # 設定訊息框的高度
+    width: 100% 
+    overflow-y: auto;  # 如果內容超出高度則顯示滾動條
+    text-rendering: optimizeLegibility;  # 啟用抗鋸齒渲染
+}
+
+
+"""
+
+theme=gr.themes.Default(primary_hue=gr.themes.colors.red, secondary_hue=gr.themes.colors.pink,font=[gr.themes.GoogleFont("LXGW WenKai Mono TC")]).set(
+  body_background_fill='#FFF5EE'
+)
+
+with gr.Blocks(theme=theme) as demo:
+    with gr.Row():
+        with gr.Column():
+            gr.Markdown("""
+            <div style="text-align: center;">
+                <h1 style="display: inline; vertical-align: middle;">
+                    <img src="https://encrypted-tbn0.gstatic.com/images?q=tbn:ANd9GcR_Rj6Add1OjrIeVXL4z84YzG4QIEuM4ptvvQ&s" 
+                         width="100" height="100" style="display: inline; vertical-align: middle; margin-right: 10px;">
+                    心理書籍推薦系統
+                    <img src="https://encrypted-tbn0.gstatic.com/images?q=tbn:ANd9GcR_Rj6Add1OjrIeVXL4z84YzG4QIEuM4ptvvQ&s" 
+                         width="100" height="100" style="display: inline; vertical-align: middle; margin-left: 10px;">
+                </h1>
+            </div>
+            """)
+
+            gr.ChatInterface(
+                main_pipeline,
+                type="messages",
+                title="",  # title 設為空，使用自定義 Markdown 標題
+                description='<div style="text-align: center;font-size:16px">這是個讓人放鬆的網站，希望透過讓人抒發心情表達現在面臨的狀況與挑戰，從書裡獲得解答。</div><div style="text-align: center;font-size: 16px;">-你可以告訴我們最近的心情和想法，放心我們不會儲存任何紀錄-</div>',
+                css=css
+            )
+
+if __name__ == "__main__":
+    demo.launch(share=True)
+
+
+# In[ ]:
+
+
+
+