Update stri.py

stri.py

@@ -3,6 +3,7 @@ import torch
 import numpy as np
 import pandas as pd
 from transformers import AutoTokenizer, AutoModel
+import re
 
 st.title("Книжные рекомендации")
 
@@ -13,53 +14,73 @@ model = AutoModel.from_pretrained(model_name, output_hidden_states=True)
 
 # Загрузка датасета и аннотаций к книгам
 books = pd.read_csv('book_train.csv')
+books.dropna(inplace=True)
+
+books = books.reset_index(drop=True)
+books = books[books['annotation'].apply(lambda x: len(x.split()) >= 10)]
+books.drop_duplicates(subset='title', keep='first', inplace=True)
+books.reset_index(drop=True)
+
+
+
+def data_preprocessing(text: str) -> str:
+    text = re.sub(r'http\S+', " ", text) # удаляем ссылки
+    text = re.sub(r'@\w+',' ',text) # удаляем упоминания пользователей
+    text = re.sub(r'#\w+', ' ', text) # удаляем хэштеги
+#     text = re.sub(r'\d+', ' ', text) # удаляем числа
+#     text = text.translate(str.maketrans('', '', string.punctuation))
+    text = re.sub(r'<.*?>',' ', text) # html tags
+    return 
+    
+for i in ['author',	'title',	'annotation']:
+    books[i] = books[i].apply(data_preprocessing)
+
 annot = books['annotation']
 
-# Предобработка аннотаций и получение эмбеддингов
-embeddings = []
-for annotation in annot:
-    annotation_tokens = tokenizer.encode_plus(
-        annotation,
-        add_special_tokens=True,
-        max_length=128,
-        pad_to_max_length=True,
-        return_tensors='pt'
-    )
-
-    with torch.no_grad():
-        outputs = model(**annotation_tokens)
-        hidden_states = outputs.hidden_states
-        last_hidden_state = hidden_states[-1]
-        embeddings.append(torch.mean(last_hidden_state, dim=1).squeeze())
-
-# Получение эмбеддинга запроса от пользователя
-query = st.text_input("Введите запрос")
-query_tokens = tokenizer.encode_plus(
-    query,
-    add_special_tokens=True,
-    max_length=128,
-    pad_to_max_length=True,
-    return_tensors='pt'
-)
+# Получение эмбеддингов аннотаций каждой книги в датасете
+max_len = 128
+token_annot = annot.apply(lambda x: tokenizer.encode(x, add_special_tokens=True, \
+                                                   truncation=True, max_length=max_len))
+
+padded = np.array([i + [0]*(max_len-len(i)) for i in token_annot.values])  # заполним недостающую длину нулями
+attention_mask = np.where(padded != 0, 1, 0)   # создадим маску, отметим где есть значения а где пустота
+# Переведем numpy массивы в тензоры PyTorch
+input_ids = torch.tensor(padded, dtype=torch.long)
+attention_mask = torch.tensor(attention_mask, dtype=torch.long)
 
-# Проверка, был ли введен запрос
-if query:
-    with torch.no_grad():
-        query_outputs = model(**query_tokens)
-        query_hidden_states = query_outputs.hidden_states
-        query_last_hidden_state = query_hidden_states[-1]
-        query_embedding = torch.mean(query_last_hidden_state, dim=1).squeeze()
 
-    # Вычисление косинусного расстояния между эмбеддингом запроса и каждой аннотацией
-    cosine_similarities = torch.nn.functional.cosine_similarity(
-        query_embedding.unsqueeze(0),
-        torch.stack(embeddings)
-    )
+book_embeddings = []
+for inputs, attention_masks in zip(input_ids, attention_mask):
+    with torch.inference_mode():
+        book_embedding = model(inputs.unsqueeze(0), attention_mask=attention_masks.unsqueeze(0))
+        book_embedding = book_embedding[0][:,0,:] #.detach().cpu().numpy()
+        book_embeddings.append(np.squeeze(book_embedding))
+
+# Определение запроса пользователя
+query = "В Америке началась Гражданская война"
+query_tokens = tokenizer.encode(query, add_special_tokens=True, \
+                                                   truncation=True, max_length=max_len)
+
+query_padded = np.array(query_tokens + [0]*(max_len-len(query_tokens)))
+query_mask = np.where(query_padded != 0, 1, 0)
+
+# Переведем numpy массивы в тензоры PyTorch
+query_padded = torch.tensor(query_padded, dtype=torch.long)
+query_mask = torch.tensor(query_mask, dtype=torch.long)
+
+with torch.inference_mode():
+    query_embedding = model(query_padded.unsqueeze(0), query_mask.unsqueeze(0))      #[0].squeeze()
+    query_embedding = query_embedding[0][:,0,:] #.detach().cpu().numpy()
+
+# Вычисление косинусного расстояния между эмбеддингом запроса и каждой аннотацией
+cosine_similarities = torch.nn.functional.cosine_similarity(
+    query_embedding.squeeze(0),
+    torch.stack(book_embeddings)
+)
 
-    cosine_similarities = cosine_similarities.numpy()
+cosine_similarities = cosine_similarities.numpy()
 
-    indices = np.argsort(cosine_similarities)[::-1]
+indices = np.argsort(cosine_similarities)[::-1] # Сортировка по убыванию
 
-    st.header("Рекомендации")
-    for i in indices[:10]:
-        st.write(books['title'][i])
+for i in indices[:10]:
+    st.write(books['title'][i])