Update app.py

app.py

@@ -23,11 +23,7 @@ except Exception as e:
 
 # ====== MODELO ======
 try:
-    model_pipeline = pipeline(
-        "text-classification",
-        model="pysentimiento/robertuito-emotion-analysis",
-        return_all_scores=True
-    )
+    model_pipeline = pipeline("text-classification", model="pysentimiento/robertuito-emotion-analysis")
     print("✅ Modelo carregado com sucesso!")
 except Exception as e:
     print(f"❌ Erro ao carregar modelo: {e}")
@@ -58,30 +54,58 @@ def gerar_sugestao(emotion_pt):
     }
     return sugestoes.get(emotion_pt, "Mantenha o equilíbrio emocional e cuide de você mesmo.")
 
-# ====== FALLBACK APRIMORADO ======
-def fallback_emotion(text):
-    emotion_map = {
-        "tristeza": ["triste", "desanimado", "melancólico", "chateado", "solitário", "deprimido", "abatido", "infeliz"],
-        "ansiedade": ["ansioso", "preocupado", "nervoso", "tenso", "inquieto", "aflito", "alarmado", "sobrecarregado"],
-        "insegurança": ["inseguro", "incerto", "receoso", "hesitante", "duvidoso", "apreensivo", "desconfiado"],
-        "raiva": ["irritado", "zangado", "raiva", "furioso", "ódio", "revoltado", "frustrado", "indignado"],
-        "alegria": ["feliz", "animado", "contente", "alegre", "satisfeito", "entusiasmado", "radiante", "orgulhoso"],
-        "depressão": ["sem esperança", "vazio", "desesperado", "sem vontade", "cansado da vida", "desamparado"],
-        "neutro": ["ok", "normal", "tranquilo", "indiferente", "equilibrado", "estável"]
-    }
+# ====== FALLBACK APRIMORADO COM PALAVRAS-CHAVE ======
+EMOTION_KEYWORDS = {
+    "tristeza": ["triste","desanimado","melancólico","chateado","solitário","deprimido","abatido","infeliz","desmotivado"],
+    "ansiedade": ["ansioso","preocupado","nervoso","tenso","inquieto","aflito","alarmado","sobrecarregado","inseguro","apreensivo"],
+    "insegurança": ["inseguro","incerto","receoso","hesitante","duvidoso","apreensivo","desconfiado"],
+    "raiva": ["irritado","zangado","raiva","furioso","ódio","revoltado","frustrado","indignado","hostil","bravo","enfurecido","irado"],
+    "alegria": ["feliz","animado","contente","alegre","satisfeito","entusiasmado","radiante","orgulhoso","euforia"],
+    "depressão": ["sem esperança","vazio","desesperado","sem vontade","cansado da vida","desamparado"],
+    "neutro": ["ok","normal","tranquilo","indiferente","equilibrado","estável"]
+}
 
+def fallback_emotion(text):
     text_lower = text.lower()
-    match_counts = {k: sum(1 for w in v if w in text_lower) for k, v in emotion_map.items()}
+    match_counts = {k: sum(1 for w in v if w in text_lower) for k, v in EMOTION_KEYWORDS.items()}
     emotion = max(match_counts, key=match_counts.get)
     if match_counts[emotion] == 0:
         emotion = "neutro"
-
     return {
         "status": "fallback",
         "emotion": emotion,
         "emode": [emotion],
-        "confidence": 0.5 if match_counts[emotion] > 0 else 0.0,
-        "suggestion": gerar_sugestao(emotion)
+        "confidence": 0.6 if match_counts[emotion] > 0 else 0.0,
+        "suggestion": gerar_sugestao(emotion),
+        "debug": "Fallback ativado"
+    }
+
+# ====== AJUSTE HÍBRIDO ======
+def hybrid_emotion(text, result):
+    text_lower = text.lower()
+    detected = result.get("emotion", "neutro")
+    max_matches = 0
+
+    for emo, keywords in EMOTION_KEYWORDS.items():
+        matches = sum(2 for w in keywords if w in text_lower)
+        if matches > max_matches:
+            max_matches = matches
+            if emo != detected:
+                detected = emo
+
+    confidence = result.get("confidence", 0.0)
+    if detected != result.get("emotion"):
+        confidence = 0.7 + max_matches * 0.05
+    confidence = min(confidence, 1.0)
+
+    return {
+        "status": "ok",
+        "emotion": detected,
+        "emode": [detected],
+        "confidence": round(confidence, 2),
+        "probabilities": result.get("probabilities", {detected: 1.0}),
+        "suggestion": result.get("suggestion", gerar_sugestao(detected)),
+        "debug": result.get("debug", "Híbrido aplicado")
     }
 
 # ====== ROTA DE ANÁLISE ======
@@ -97,30 +121,32 @@ def analyze():
         if not model_pipeline:
             return jsonify(fallback_emotion(text))
 
-        result = model_pipeline(text)
+        result = model_pipeline(text, return_all_scores=True)
         if not result or len(result) == 0:
             return jsonify(fallback_emotion(text))
 
-        # Extrai probabilidades e identifica maior confiança
         scores = {r["label"]: r["score"] for r in result[0]}
         top_label = max(scores, key=scores.get)
         confidence = round(scores[top_label], 2)
         emotion_pt = emotion_labels.get(top_label, "desconhecido")
 
-        # Caso confiança alta em tristeza, considera depressão
+        # Ajuste especial para "tristeza" muito forte
         if emotion_pt == "tristeza" and confidence >= 0.9:
             emotion_pt = "depressão"
 
-        response = {
+        base_result = {
             "status": "ok",
             "emotion": emotion_pt,
             "emode": [emotion_pt],
             "confidence": confidence,
-            "probabilities": {emotion_labels.get(k, k): round(v, 3) for k, v in scores.items()},
+            "probabilities": {emotion_labels.get(k, k): round(v,3) for k,v in scores.items()},
             "suggestion": gerar_sugestao(emotion_pt)
         }
 
-        return jsonify(response)
+        # Aplica lógica híbrida com fallback de palavras-chave
+        final_result = hybrid_emotion(text, base_result)
+        return jsonify(final_result)
+
     except Exception as e:
         return jsonify({"error": str(e)}), 500