Spaces:
Sleeping
Sleeping
File size: 10,407 Bytes
0ac5477 1751d36 0ac5477 1751d36 0ac5477 1751d36 0ac5477 1751d36 0ac5477 1751d36 0ac5477 e1182e0 0ac5477 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 |
import os
# Règle d’or : toute variable d’environnement qui influence le cache Hugging Face doit être
# définie avant d’importer datasets ou transformers, sinon elle sera ignorée.
cache_dir = "/tmp"
os.makedirs(cache_dir, exist_ok=True)
# Rediriger le cache HF globalement
os.environ["HF_HOME"] = cache_dir
os.environ["HF_DATASETS_CACHE"] = os.path.join(cache_dir, "datasets")
os.environ["TRANSFORMERS_CACHE"] = os.path.join(cache_dir, "transformers")
from typing import List, Dict, Any
import duckdb
import faiss
import pandas as pd
from huggingface_hub import hf_hub_download
from sentence_transformers import SentenceTransformer, CrossEncoder
import torch
from datasets import load_dataset
from dotenv import load_dotenv
import pyarrow as pa
import pyarrow.compute as pc
import logging
logging.basicConfig(level=logging.DEBUG)
# Initialisations
load_dotenv()
HF_TOKEN = os.getenv('API_HF_TOKEN')
REPO_ID = "Loren/articles_database"
FAISS_REPO_ID = "Loren/articles_faiss"
FAISS_INDEX_FILE = "faiss_index.bin"
MODEL_NAME = "intfloat/multilingual-e5-small"
#CROSS_ENCODER_NAME = "cross-encoder/ms-marco-MiniLM-L12-v2"
CROSS_ENCODER_NAME = "Alibaba-NLP/gte-multilingual-reranker-base"
revision = "a6258e9d2b1a11aa7bccdff9efde562bbca4393d"
#ROSS_ENCODER_NAME = "jinaai/jina-reranker-v2-base-multilingual"
# Téléchargement des fichiers Parquet depuis Hugging Face
articles_parquet = hf_hub_download(
repo_id=REPO_ID,
filename="articles_checked.parquet",
repo_type="dataset",
cache_dir=cache_dir)
tags_parquet = hf_hub_download(
repo_id=REPO_ID,
filename="tags.parquet",
repo_type="dataset",
cache_dir=cache_dir)
tag_article_parquet = hf_hub_download(
repo_id=REPO_ID,
filename="tag_article.parquet",
repo_type="dataset",
cache_dir=cache_dir)
# Connexion DuckDB en mémoire
con = duckdb.connect()
# Créer des tables DuckDB directement à partir des fichiers Parquet
con.execute(f"CREATE VIEW articles AS SELECT * FROM parquet_scan('{articles_parquet}')")
con.execute(f"CREATE VIEW tags AS SELECT * FROM parquet_scan('{tags_parquet}')")
con.execute(f"CREATE VIEW tag_article AS SELECT * FROM parquet_scan('{tag_article_parquet}')")
# Téléchargement des fichiers de la base faiss depuis le dataset Hugging Face
hf_faiss_index = hf_hub_download(
repo_id=FAISS_REPO_ID,
filename=FAISS_INDEX_FILE,
repo_type="dataset",
token=HF_TOKEN,
cache_dir=cache_dir
)
# Chargement de l’index FAISS
faiss_index = faiss.read_index(hf_faiss_index)
# Téléchargement des metadatas Faiss depuis le dataset Hugging Face
dataset = load_dataset(FAISS_REPO_ID, split="train", token=HF_TOKEN)
arrow_table = dataset.data
# Creation du Sentence transformer model
device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"*** Device: {device}")
model = SentenceTransformer(MODEL_NAME, device=device)
# Création du cross-encoder
cross_encoder = CrossEncoder(CROSS_ENCODER_NAME, device=device,
revision=revision,
trust_remote_code=True)
# Fonctions d'accès aux données
def fetch_tags() -> List[str]:
"""
Récupère la liste de tous les tags disponibles dans la base de données.
Returns:
Dict: Un dictionnaire contenant le statut et les résultats.
- Si succès :
{
"status": "ok",
"result": List[str] # Liste des noms de tags triés par ordre alphabétique
}
- En cas d'erreur :
{
"status": "error",
"code": str, # Nom de l'exception
"message": str # Message de l'exception
}
"""
try:
query = "SELECT tag_name FROM tags ORDER BY tag_name"
result = con.execute(query).fetchall()
return {"status": "ok", "result": [row[0] for row in result]}
except Exception as e:
return {"status": "error", "code": type(e).__name__, "message": str(e)}
def fetch_articles_by_tags(tags: List[str]) -> List[Dict]:
"""
Récupère les articles associés à un ou plusieurs tags.
Args:
tags (List[str]): Une liste de noms de tags pour filtrer les articles.
Returns:
Dict: Un dictionnaire contenant le statut et les résultats.
- Si succès :
{
"status": "ok",
"result": List[Dict] # Liste de dictionnaires représentant les articles
}
Chaque dictionnaire contient les clés :
- 'article_id': int, ID de l'article
- 'article_title': str, Titre de l'article
- 'article_url': str, URL de l'article
- En cas d'erreur ou si aucun tag fourni :
{
"status": "error",
"code": str, # Code d'erreur ou nom de l'exception
"message": str # Message d'erreur
}
Notes:
- Si la liste `tags` est vide, la fonction retourne une liste vide.
- Les résultats incluent uniquement les articles correspondant à au moins un des tags fournis.
"""
if not tags:
return {"status": "error", "code": "no_tags", "message": "Aucun tag fourni."}
try:
placeholders = ",".join(["?"] * len(tags))
query = f"""SELECT distinct a.article_id, a.article_title, a.article_url,
CASE WHEN a.article_online
THEN a.article_url
ELSE 'Article unavailable' END AS url,
FROM tags t, tag_article ta, articles a
WHERE t.tag_id = ta.tag_id
AND ta.article_id = a.article_id
AND t.tag_name IN ({placeholders})
"""
result = con.execute(query, tags).fetchdf()
return {"status": "ok", "result": result.to_dict(orient="records")}
except Exception as e:
return {"status": "error", "code": type(e).__name__, "message": str(e)}
def fetch_query_results(query: str, k_model: int = 10,
k_cross: int = 5, use_rerank: bool = True
) -> Dict[str, Any]:
"""
Exécute une requête de recherche sémantique avec FAISS, puis (optionnellement)
rerank avec un cross-encoder et retourne les meilleurs passages enrichis avec
des métadonnées provenant de DuckDB.
Paramètres
----------
query : str
La requête texte fournie par l'utilisateur.
k_model : int, optionnel (défaut = 10)
Nombre de résultats les plus proches à récupérer depuis l'index FAISS.
k_cross : int, optionnel (défaut = 5)
Nombre de résultats finaux à conserver après reranking avec le cross-encoder.
use_rerank : bool, optionnel (défaut = True)
Si False, on désactive complètement le cross-encoder et le rerank.
Retour
------
Dict[str, Any]
Un dictionnaire contenant :
- status : "ok" si succès, sinon "error"
- result : liste de résultats (si succès)
- code et message : informations d'erreur (si échec)
"""
if not query:
return {"status": "error", "code": "no_query", "message": "Aucun query fourni."}
try:
query_vec = model.encode(["query: "+query], convert_to_numpy=True, normalize_embeddings=True)
distances, indices = faiss_index.search(query_vec, k_model)
# Résultats FAISS
faiss_ids_list = indices[0].tolist()
distances_list = distances[0].tolist()
# Filtrer Arrow sur les IDs trouvés
filtered_table = arrow_table.filter(
pc.is_in(arrow_table['faiss_id'],
value_set=pa.array(faiss_ids_list))
)
# Convertir Arrow → pandas pour ajouter la distance
df = filtered_table.to_pandas()
# Ajouter la distance en gardant l'ordre faiss_ids_list
distance_map = dict(zip(faiss_ids_list, distances_list))
df["distance"] = df["faiss_id"].map(distance_map)
if use_rerank:
# Cross-encoder
df["chunk_text"] = df["chunk_text"].str.replace(r'\s+', ' ', regex=True).str.strip()
top_passages = df["chunk_text"].tolist()
cross_input = [(query, p) for p in top_passages]
cross_scores = cross_encoder.predict(cross_input)
# Rerank
df["cross_score"] = cross_scores
df = df.sort_values(by="cross_score", ascending=False)
# Garder top k_cross
df_top = df.head(k_cross)
else:
df = df.sort_values(by="distance", ascending=False)
df["cross_score"] = df["distance"]
# Garder top k_model
df_top = df.head(k_model)
# Enregistrer dans DuckDB
con.register("faiss_tmp", df_top)
sql = """
SELECT
f.faiss_id,
f.document_id,
f.distance,
f.cross_score,
f.chunk_text,
a.article_title,
a.article_url,
CASE WHEN a.article_online
THEN a.article_url
ELSE 'Article unavailable' END AS url,
STRING_AGG(t.tag_name, ', ') AS tags
FROM faiss_tmp f
JOIN articles a ON f.document_id = a.article_id
JOIN tag_article ta ON a.article_id = ta.article_id
JOIN tags t ON ta.tag_id = t.tag_id
WHERE (LENGTH(article_text) - LENGTH(REPLACE(article_text, ' ', '')) + 1) >= 100
GROUP BY f.faiss_id, f.document_id, f.distance, f.cross_score, f.chunk_text,
a.article_title, a.article_online, a.article_url
ORDER BY AVG(f.cross_score) DESC
"""
duck_res = con.execute(sql).fetchdf()
# Liste finale de dictionnaires
list_result = duck_res.to_dict(orient="records")
return {"status": "ok", "result": list_result}
except Exception as e:
return {"status": "error", "code": type(e).__name__, "message": str(e)}
|