Spaces:
Runtime error
Runtime error
File size: 4,578 Bytes
9398817 |
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 |
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()
|