Update app.py

app.py

@@ -4,11 +4,12 @@ from transformers import AutoTokenizer, AutoModel
 from sklearn.metrics.pairwise import cosine_similarity
 import numpy as np
 
-# بارگذاری مدل
-tokenizer = AutoTokenizer.from_pretrained("HooshvareLab/bert-fa-base-uncased")
-model = AutoModel.from_pretrained("HooshvareLab/bert-fa-base-uncased")
+# بارگذاری مدل و توکنایزر
+model_name = "HooshvareLab/bert-fa-base-uncased"
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModel.from_pretrained(model_name)
 
-# پرسش و پاسخ‌ها (سوالات باید طبیعی‌تر شوند)
+# لیست سوالات و پاسخ‌ها (شکل طبیعی‌تر)
 faq_dict = {
     "زمان انتخاب واحد چه موقع است؟": "معمولاً پایان شهریور و بهمن است.",
     "چه زمانی می‌توان حذف و اضافه انجام داد؟": "حدود یک هفته پس از شروع ترم تحصیلی است.",
@@ -18,45 +19,43 @@ faq_dict = {
 }
 
 faq_questions = list(faq_dict.keys())
-faq_embeddings = []
 
 # تابع استخراج embedding
 def get_embedding(text):
-    inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True)
+    inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True)
     with torch.no_grad():
         outputs = model(**inputs)
-    return outputs.last_hidden_state.mean(dim=1)[0].cpu().numpy()
+    emb = outputs.last_hidden_state.mean(dim=1).squeeze().cpu().numpy()
+    return emb
 
-# پیش‌محاسبه embeddingها
-for question in faq_questions:
-    emb = get_embedding(question)
-    faq_embeddings.append(emb)
+# ساخت embedding برای سوالات FAQ
+faq_embeddings = [get_embedding(q) for q in faq_questions]
 
-# پاسخ‌دهی
+# تابع پاسخ‌گویی ایجنت
 def student_bot(user_question):
     try:
         user_emb = get_embedding(user_question)
-        sims = [cosine_similarity([user_emb], [emb])[0][0] for emb in faq_embeddings]
+        sims = [cosine_similarity([user_emb], [faq_emb])[0][0] for faq_emb in faq_embeddings]
         best_idx = int(np.argmax(sims))
         best_score = sims[best_idx]
 
-        # 👇 برای دیباگ
-        print("Similarity Score:", best_score)
+        print(f"Similarity Scores: {sims}")  # برای دیباگ
 
         if best_score > 0.6:
             return faq_dict[faq_questions[best_idx]]
         else:
             return "متأسفم، پاسخ این سؤال در حال حاضر موجود نیست."
     except Exception as e:
-        return f"❗️خطا در سیستم: {str(e)}"
+        return f"❗️خطا: {str(e)}"
 
 # رابط Gradio
 iface = gr.Interface(
     fn=student_bot,
-    inputs=gr.Textbox(label="سوال خود را بنویسید"),
+    inputs=gr.Textbox(label="سؤال خود را وارد کنید"),
     outputs=gr.Textbox(label="پاسخ"),
     title="ایجنت راهنمای دانشجویان",
-    description="پاسخ به سوالات رایج با استفاده از مدل FarsiBERT و تشابه معنایی"
+    description="پاسخ‌دهی هوشمند به سؤالات پرتکرار با FarsiBERT"
 )
 
 iface.launch()
+