Update app.py

app.py

@@ -4,34 +4,35 @@ from transformers import AutoTokenizer, AutoModel
 from sklearn.metrics.pairwise import cosine_similarity
 import numpy as np
 
-# بارگذاری مدل FarsiBERT
+# بارگذاری مدل
 tokenizer = AutoTokenizer.from_pretrained("HooshvareLab/bert-fa-base-uncased")
 model = AutoModel.from_pretrained("HooshvareLab/bert-fa-base-uncased")
 
-# داده‌های پرسش و پاسخ
+# پرسش و پاسخ‌ها (سوالات باید طبیعی‌تر شوند)
 faq_dict = {
-    "زمان انتخاب واحد": "معمولاً پایان شهریور و بهمن است.",
-    "زمان حذف و اضافه": "حدود یک هفته پس از شروع ترم تحصیلی است.",
-    "معدل لازم برای 24 واحد": "حداقل معدل 17 نیاز است.",
-    "حذف اضطراری": "تا هفته هشتم ترم مجاز است.",
-    "شرایط مهمان شدن": "با موافقت دانشگاه مبدا و مقصد انجام می‌شود.",
+    "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.",
+    "چه معدلی برای انتخاب ۲۴ واحد لازم است؟": "حداقل معدل 17 نیاز است.",
+    "تا چه زمانی امکان حذف اضطراری وجود دارد؟": "تا هفته هشتم ترم مجاز است.",
+    "چگونه می‌توان مهمان شد؟": "با موافقت دانشگاه مبدا و مقصد انجام می‌شود.",
 }
 
 faq_questions = list(faq_dict.keys())
+faq_embeddings = []
 
-# تابع استخراج embedding از جمله
+# تابع استخراج embedding
 def get_embedding(text):
     inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True)
     with torch.no_grad():
         outputs = model(**inputs)
-    # میانگین‌گیری از همه توکن‌ها در آخرین لایه
-    embeddings = outputs.last_hidden_state.mean(dim=1)
-    return embeddings[0].cpu().numpy()
+    return outputs.last_hidden_state.mean(dim=1)[0].cpu().numpy()
 
-# پیش‌محاسبه embedding تمام سوالات FAQ
-faq_embeddings = [get_embedding(q) for q in faq_questions]
+# پیش‌محاسبه embeddingها
+for question in faq_questions:
+    emb = get_embedding(question)
+    faq_embeddings.append(emb)
 
-# تابع اصلی ایجنت
+# پاسخ‌دهی
 def student_bot(user_question):
     try:
         user_emb = get_embedding(user_question)
@@ -39,21 +40,23 @@ def student_bot(user_question):
         best_idx = int(np.argmax(sims))
         best_score = sims[best_idx]
 
-        if best_score > 0.75:
+        # 👇 برای دیباگ
+        print("Similarity Score:", best_score)
+
+        if best_score > 0.6:
             return faq_dict[faq_questions[best_idx]]
         else:
-            return "متأسفم، پاسخ این سوال در حال حاضر موجود نیست."
+            return "متأسفم، پاسخ این سؤال در حال حاضر موجود نیست."
     except Exception as e:
         return f"❗️خطا در سیستم: {str(e)}"
 
-# رابط کاربری
+# رابط Gradio
 iface = gr.Interface(
     fn=student_bot,
-    inputs=gr.Textbox(label="سؤال خود را وارد کنید"),
+    inputs=gr.Textbox(label="سوال خود را بنویسید"),
     outputs=gr.Textbox(label="پاسخ"),
-    title="ایجنت راهنمای دانشجویان با FarsiBERT",
-    description="پاسخ به پرسش‌های رایج بر اساس تشابه معنایی"
+    title="ایجنت راهنمای دانشجویان",
+    description="پاسخ به سوالات رایج با استفاده از مدل FarsiBERT و تشابه معنایی"
 )
 
 iface.launch()
-