Upload 3 files

README.md

@@ -1,14 +1,35 @@
+
 ---
-title: Teste Modelo Amazon
-emoji: 🐠
-colorFrom: purple
-colorTo: pink
+title: Projeto Final - Chatbot de Sentimentos (ML + IA Generativa)
+emoji: 🧠
+colorFrom: yellow
+colorTo: blue
 sdk: gradio
-sdk_version: 5.49.1
+sdk_version: 5.7.1
 app_file: app.py
 pinned: false
 license: mit
-short_description: Modelo Teste Projeto Final
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# Projeto Final - Chatbot de Sentimentos (Discriminativo + Generativo)
+
+Curso: Machine Learning e Deep Learning  
+Data: 2025-11-12  
+Autor(es): _(preencher)_
+
+## O que este Space demonstra
+- Classificacao de Sentimentos (ML): TF-IDF + Regressao Logistica.  
+- IA Generativa (LLM): `google/flan-t5-base` (PT-BR) para redigir respostas educadas.  
+- Interface: Gradio com duas abas (Analise e Chatbot).
+
+## Como funciona
+- Se `baseline_pipe.pkl` nao estiver nos *Files*, o Space treina automaticamente um baseline pequeno (aprox. 0.5% do `amazon_polarity`) e salva localmente.
+- Para pular o autotrain, envie `baseline_pipe.pkl` gerado no notebook ou defina `DISABLE_AUTOTRAIN=1` em Settings -> Variables.
+
+## Como usar
+1) Aba "Analise de Sentimento" -> digite um texto -> Analisar.  
+2) Aba "Chatbot" -> clique em "1) Analisar sentimento" e depois "2) Gerar resposta".
+
+## Trocas e extensoes
+- Mude o gerador via env var `GEN_MODEL_ID` (ex.: `pierreguillou/gpt2-small-portuguese`).  
+- Substitua o baseline por transformer de classificacao (custo maior, melhores metricas).

app.py

@@ -0,0 +1,117 @@
+
+import os
+import json
+import numpy as np
+import gradio as gr
+
+# ---------- 1) Sentiment Baseline (TF-IDF + LogisticRegression) ----------
+import joblib
+from sklearn.pipeline import Pipeline
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.linear_model import LogisticRegression
+
+BASELINE_PATH = os.getenv("MODEL_PATH", "baseline_pipe.pkl")
+
+def train_small_baseline(save_path=BASELINE_PATH, sample_pct="train[:0.5%]"):
+    from datasets import load_dataset
+    import pandas as pd
+    ds = load_dataset("amazon_polarity", split=sample_pct)
+    df = pd.DataFrame({"text": ds["content"], "label": ds["label"]})
+    pipe = Pipeline([
+        ("tfidf", TfidfVectorizer(max_features=30000, ngram_range=(1,2))),
+        ("clf", LogisticRegression(max_iter=1000)),
+    ])
+    pipe.fit(df["text"], df["label"])
+    joblib.dump(pipe, save_path)
+    return pipe
+
+def load_or_bootstrap_baseline():
+    if os.path.exists(BASELINE_PATH):
+        return joblib.load(BASELINE_PATH)
+    if os.getenv("DISABLE_AUTOTRAIN", "0") == "1":
+        return None
+    return train_small_baseline()
+
+baseline = load_or_bootstrap_baseline()
+
+def classify_only(text):
+    if not text or not text.strip():
+        return {"erro": "Digite um texto."}
+    if baseline is None:
+        return {"erro": "Modelo baseline nao encontrado. Envie baseline_pipe.pkl ou remova DISABLE_AUTOTRAIN."}
+    proba = baseline.predict_proba([text])[0]
+    pred = int(np.argmax(proba))
+    label = "positivo" if pred == 1 else "negativo"
+    conf = float(np.max(proba))
+    return {"sentimento": label, "confianca": round(conf, 3)}
+
+# ---------- 2) Generative Assistant (FLAN-T5) ----------
+from transformers import pipeline
+GEN_MODEL_ID = os.getenv("GEN_MODEL_ID", "google/flan-t5-base")
+generator = pipeline("text2text-generation", model=GEN_MODEL_ID)
+
+SYSTEM_PROMPT = (
+    "Voce e um atendente virtual educado que responde em portugues do Brasil. "
+    "Use poucas frases, tom empatico e pratico."
+)
+
+def generate_reply(user_text, sentimento_json):
+    if not user_text or not user_text.strip():
+        return "Digite uma mensagem."
+    sentimento = None
+    if isinstance(sentimento_json, dict) and "sentimento" in sentimento_json:
+        sentimento = sentimento_json["sentimento"]
+
+    if sentimento == "negativo":
+        intent = (
+            "A avaliacao do cliente e NEGATIVA. "
+            "Peca desculpas, reconheca o problema, ofereca ajuda objetiva e solicite informacoes adicionais."
+        )
+    elif sentimento == "positivo":
+        intent = (
+            "A avaliacao do cliente e POSITIVA. "
+            "Agradeca de forma calorosa, reforce pontos fortes mencionados e convide para novas compras."
+        )
+    else:
+        intent = "O sentimento nao foi identificado. Responda de forma neutra, util e cordial."
+
+    prompt = (
+        f"{SYSTEM_PROMPT}\n\n{intent}\n\n"
+        f"Mensagem do cliente:\n\"{user_text}\"\n\n"
+        f"Escreva uma resposta curta (2-4 frases)."
+    )
+    out = generator(prompt, max_length=128, do_sample=True, temperature=0.6, top_p=0.9)[0]["generated_text"]
+    return out
+
+# ---------- 3) Gradio UI ----------
+with gr.Blocks(title="Classificador + Chatbot (Sentimentos)") as demo:
+    gr.Markdown(
+        \"\"\"
+        # Chatbot de Sentimentos (ML + IA Generativa)
+        Professor Rodrigo - Projeto Final ML & DL
+
+        - Classificacao: TF-IDF + Regressao Logistica (autotreino minimo se nao houver `baseline_pipe.pkl`).  
+        - Geracao: `google/flan-t5-base` para redigir respostas educadas em PT-BR.
+
+        > Dica: Envie `baseline_pipe.pkl` em *Files* para pular o autotrain.
+        \"\"\"
+    )
+
+    with gr.Tab("Analise de Sentimento"):
+        in_text = gr.Textbox(label="Digite uma avaliacao de produto", lines=4, placeholder="Ex.: O produto chegou rapido e funciona muito bem.")
+        out_json = gr.JSON(label="Resultado")
+        btn = gr.Button("Analisar")
+        btn.click(classify_only, inputs=in_text, outputs=out_json)
+
+    with gr.Tab("Chatbot (Analise + Resposta)"):
+        chat_in = gr.Textbox(label="Mensagem do cliente", lines=4)
+        with gr.Row():
+            analyze_btn = gr.Button("1) Analisar sentimento")
+            gen_btn = gr.Button("2) Gerar resposta")
+        analysis_box = gr.JSON(label="Sentimento detectado")
+        reply_box = gr.Textbox(label="Resposta gerada", lines=6)
+        analyze_btn.click(classify_only, inputs=chat_in, outputs=analysis_box)
+        gen_btn.click(generate_reply, inputs=[chat_in, analysis_box], outputs=reply_box)
+
+if __name__ == "__main__":
+    demo.launch()

requirements.txt

@@ -0,0 +1,13 @@
+
+datasets==3.0.1
+pandas==2.2.2
+numpy==2.1.3
+scikit-learn==1.5.2
+matplotlib==3.9.2
+joblib==1.4.2
+torch==2.4.1
+tqdm==4.66.5
+gradio==5.7.1
+transformers==4.45.2
+sentencepiece==0.2.0
+accelerate==0.34.2