Update app.py

app.py

@@ -1,9 +1,8 @@
 import gradio as gr
 from transformers import (
     AutoTokenizer, 
-    AutoModelForTokenClassification, 
-    AutoModelForSequenceClassification,
-    AutoModelForQuestionAnswering,
+    AutoModelForTokenClassification,
+    AutoModelForCausalLM,
     pipeline
 )
 import torch
@@ -12,8 +11,9 @@ import re
 from typing import List, Dict, Tuple
 import numpy as np
 
-# Set device
+# Set device and dtype for optimization
 device = "cuda" if torch.cuda.is_available() else "cpu"
+dtype = torch.float16 if torch.cuda.is_available() else torch.float32
 
 # Load the NER model and tokenizer
 print("Loading NER model...")
@@ -31,23 +31,32 @@ ner_pipeline = pipeline(
     aggregation_strategy="simple"
 )
 
-# Load Persian LLM for context understanding
-print("Loading Persian context model...")
-# Using a Persian BERT model fine-tuned for question answering/text classification
-context_model_name = "persiannlp/mt5-small-parsinlu-multiple-choice"  # Alternative model
-# You can also try: "HooshvareLab/bert-fa-base-uncased" with custom classification head
+# Load Gemma model for stock symbol detection
+print("Loading Gemma-2-9b-it model for context understanding...")
+gemma_model_name = "google/gemma-2-9b-it"
 
-# For stock symbol disambiguation, we'll use a QA approach
-qa_model_name = "mohammadehab/persian-qa-bert"
-qa_tokenizer = AutoTokenizer.from_pretrained(qa_model_name)
-qa_model = AutoModelForQuestionAnswering.from_pretrained(qa_model_name)
-qa_model.to(device)
+# Load with optimization settings for better performance
+gemma_tokenizer = AutoTokenizer.from_pretrained(gemma_model_name)
+gemma_model = AutoModelForCausalLM.from_pretrained(
+    gemma_model_name,
+    torch_dtype=dtype,
+    device_map="auto" if torch.cuda.is_available() else None,
+    low_cpu_mem_usage=True
+)
+
+if device == "cpu":
+    gemma_model = gemma_model.to(device)
 
-qa_pipeline = pipeline(
-    "question-answering",
-    model=qa_model,
-    tokenizer=qa_tokenizer,
-    device=0 if device == "cuda" else -1
+# Create text generation pipeline
+gemma_pipeline = pipeline(
+    "text-generation",
+    model=gemma_model,
+    tokenizer=gemma_tokenizer,
+    device=0 if device == "cuda" else -1,
+    max_new_tokens=50,
+    temperature=0.1,  # Low temperature for consistent outputs
+    do_sample=False,  # Deterministic outputs
+    pad_token_id=gemma_tokenizer.eos_token_id
 )
 
 # Load stock symbols from CSV
@@ -66,7 +75,7 @@ def load_stock_symbols(csv_path="symbols.csv"):
         return symbols_dict
     except Exception as e:
         print(f"Error loading symbols CSV: {e}")
-        # Provide some default symbols for demo
+        # Provide default symbols for demo
         return {
             'وبصادر': {'company': 'بانک صادرات ایران', 'bazaar': 'بورس - بازار دوم', 'bazaar_group': 'بانکها و موسسات اعتباری'},
             'فولاد': {'company': 'فولاد مبارکه اصفهان', 'bazaar': 'بورس - بازار اول', 'bazaar_group': 'فلزات اساسی'},
@@ -74,98 +83,109 @@ def load_stock_symbols(csv_path="symbols.csv"):
             'شپنا': {'company': 'پالایش نفت اصفهان', 'bazaar': 'بورس - بازار اول', 'bazaar_group': 'فرآورده‌های نفتی'},
             'خودرو': {'company': 'ایران خودرو', 'bazaar': 'بورس - بازار اول', 'bazaar_group': 'خودرو'},
             'وبملت': {'company': 'بانک ملت', 'bazaar': 'بورس - بازار اول', 'bazaar_group': 'بانکها'},
+            'وتوسکا': {'company': 'سرمایه گذاری توسعه توکا', 'bazaar': 'بورس', 'bazaar_group': 'سرمایه گذاریها'},
+            'پی پاد': {'company': 'پرداخت الکترونیک پاسارگاد', 'bazaar': 'بورس', 'bazaar_group': 'رایانه و فعالیت های وابسته'},
         }
 
 # Load symbols
 STOCK_SYMBOLS = load_stock_symbols()
 SYMBOL_NAMES = set(STOCK_SYMBOLS.keys())
 
-# Market context keywords for Persian
+# Market context keywords
 MARKET_KEYWORDS = {
     'سهام', 'سهم', 'بورس', 'فرابورس', 'معامله', 'معاملات', 'خرید', 'فروش',
     'قیمت', 'ارزش', 'بازار', 'سرمایه', 'سرمایه‌گذاری', 'پرتفوی', 'نماد',
     'شاخص', 'حجم', 'عرضه', 'تقاضا', 'صف', 'نوسان', 'بازدهی', 'سود',
-    'زیان', 'ریال', 'تومان', 'میلیارد', 'میلیون', 'درصد', 'رشد', 'افت',
-    'کندل', 'نمودار', 'تحلیل', 'بنیادی', 'تکنیکال', 'حمایت', 'مقاومت'
+    'زیان', 'ریال', 'تومان', 'میلیارد', 'میلیون', 'درصد', 'رشد', 'افت'
 }
 
-def use_llm_for_disambiguation(text: str, potential_symbol: str, symbol_info: Dict) -> float:
+def use_gemma_for_disambiguation(text: str, potential_symbol: str, symbol_info: Dict) -> float:
     """
-    Use Persian QA model to determine if a word is used as a stock symbol
+    Use Gemma-2-9b-it to determine if a word is used as a stock symbol
     Returns confidence score (0-1)
     """
     try:
-        # Create context-aware questions in Persian
-        context = text
-        
-        # Ask multiple questions to get better understanding
-        questions = [
-            f"آیا {potential_symbol} در این متن نماد بورسی است؟",
-            f"آیا منظور از {potential_symbol} سهام شرکت {symbol_info['company']} است؟",
-            f"آیا {potential_symbol} در این متن به معاملات بورس اشاره دارد؟"
-        ]
+        # Create a focused prompt for Gemma
+        prompt = f"""<bos><start_of_turn>user
+You are a Persian financial text analyzer. Determine if the word "{potential_symbol}" in the following Persian text is used as a stock market symbol or as a regular word.
+
+Context information:
+- The word "{potential_symbol}" could be a stock symbol for "{symbol_info['company']}" (industry: {symbol_info['bazaar_group']})
+- Stock symbols usually appear with financial terms like: سهام، بورس، معامله، قیمت، خرید، فروش
+
+Text to analyze:
+"{text}"
+
+Answer ONLY with one of these:
+1. "STOCK" if it's used as a stock market symbol
+2. "WORD" if it's used as a regular word
+
+Reasoning: Consider the surrounding context. If the text discusses trading, prices, or stock market activities, it's likely a stock symbol. If it discusses the general meaning (like فولاد meaning steel in manufacturing context), it's a regular word.
+
+Answer:<end_of_turn>
+<start_of_turn>model
+"""
         
-        scores = []
-        for question in questions:
-            try:
-                result = qa_pipeline(question=question, context=context)
-                # Check if the answer contains positive indicators
-                answer = result['answer'].lower()
-                confidence = result['score']
-                
-                # Adjust confidence based on answer content
-                if any(word in answer for word in ['بله', 'است', 'می‌باشد', 'درست']):
-                    scores.append(confidence)
-                elif any(word in answer for word in ['خیر', 'نیست', 'نمی‌باشد']):
-                    scores.append(1 - confidence)
-                else:
-                    scores.append(0.5)  # Uncertain
-                    
-            except Exception:
-                scores.append(0.5)  # Default to uncertain
+        # Generate response
+        response = gemma_pipeline(
+            prompt,
+            max_new_tokens=20,
+            temperature=0.1,
+            do_sample=False,
+            return_full_text=False
+        )
         
-        # Return average confidence
-        return np.mean(scores) if scores else 0.5
+        # Extract the answer
+        answer = response[0]['generated_text'].strip().upper()
         
+        # Determine confidence based on response
+        if "STOCK" in answer:
+            return 0.9  # High confidence it's a stock symbol
+        elif "WORD" in answer:
+            return 0.1  # Low confidence it's a stock symbol
+        else:
+            # If unclear, analyze the response for clues
+            if any(keyword in answer.lower() for keyword in ['نماد', 'سهام', 'بورس']):
+                return 0.7
+            else:
+                return 0.3
+                
     except Exception as e:
-        print(f"LLM disambiguation error: {e}")
-        return 0.5  # Return neutral confidence on error
+        print(f"Gemma inference error: {e}")
+        return 0.5  # Neutral confidence on error
 
 def check_stock_symbol_context(text: str, potential_symbol: str, symbol_info: Dict) -> Tuple[bool, float]:
     """
     Check if a potential symbol is actually used as a stock symbol in context
-    Returns (is_stock_symbol, confidence_score)
+    Using both heuristics and Gemma model
     """
-    # First, do a heuristic check
-    text_lower = text.lower()
-    
-    # Get surrounding context (window of 30 characters before and after)
+    # Get surrounding context
     symbol_pos = text.find(potential_symbol)
     if symbol_pos == -1:
         return False, 0.0
     
-    start_context = max(0, symbol_pos - 50)
-    end_context = min(len(text), symbol_pos + len(potential_symbol) + 50)
+    start_context = max(0, symbol_pos - 100)
+    end_context = min(len(text), symbol_pos + len(potential_symbol) + 100)
     context_window = text[start_context:end_context]
     
-    # Count market keywords in context
+    # Count market keywords
     words_in_context = context_window.split()
     market_keyword_count = sum(1 for word in words_in_context if word in MARKET_KEYWORDS)
     
     # Calculate heuristic score
-    heuristic_score = min(market_keyword_count * 0.3, 1.0)
+    heuristic_score = min(market_keyword_count * 0.2, 1.0)
     
-    # If very strong or very weak signal from heuristics, use that
-    if heuristic_score >= 0.9:
-        return True, heuristic_score
-    elif heuristic_score == 0 and len(words_in_context) > 5:
-        return False, 0.1
+    # Strong heuristic signals
+    if market_keyword_count >= 5:
+        return True, 0.95
+    elif market_keyword_count == 0 and len(words_in_context) > 10:
+        return False, 0.05
     
-    # For ambiguous cases, use LLM
-    llm_score = use_llm_for_disambiguation(text, potential_symbol, symbol_info)
+    # Use Gemma for disambiguation
+    gemma_score = use_gemma_for_disambiguation(context_window, potential_symbol, symbol_info)
     
-    # Combine heuristic and LLM scores
-    final_score = (heuristic_score * 0.4 + llm_score * 0.6)
+    # Combine scores (give more weight to Gemma as it understands context better)
+    final_score = (heuristic_score * 0.2 + gemma_score * 0.8)
     
     # Decision threshold
     is_stock = final_score > 0.5
@@ -173,20 +193,20 @@ def check_stock_symbol_context(text: str, potential_symbol: str, symbol_info: Di
     return is_stock, final_score
 
 def find_stock_symbols_in_text(text: str) -> List[Dict]:
-    """Find and validate stock symbols in text using context analysis"""
+    """Find and validate stock symbols in text"""
     found_symbols = []
+    processed_positions = set()  # To avoid duplicate processing
     
-    # Use regex to find all potential symbols (Persian words)
-    # This pattern matches Persian words that might be symbols
+    # Pattern to match Persian/Arabic words
     pattern = r'\b[\u0600-\u06FF]+\b'
     
     for match in re.finditer(pattern, text):
         word = match.group()
         
-        if word in SYMBOL_NAMES:
+        if word in SYMBOL_NAMES and match.start() not in processed_positions:
             symbol_info = STOCK_SYMBOLS[word]
             
-            # Check context to determine if it's actually used as a stock symbol
+            # Check context using Gemma
             is_stock, confidence = check_stock_symbol_context(text, word, symbol_info)
             
             if is_stock:
@@ -200,26 +220,27 @@ def find_stock_symbols_in_text(text: str) -> List[Dict]:
                     'bazaar': symbol_info['bazaar'],
                     'bazaar_group': symbol_info['bazaar_group']
                 })
+                processed_positions.add(match.start())
     
     return found_symbols
 
 # Label colors and names
 label_colors = {
-    "B-PER": "#FF6B6B",  # Person - Red
+    "B-PER": "#FF6B6B",
     "I-PER": "#FFB3B3",
-    "B-ORG": "#4ECDC4",  # Organization - Teal
+    "B-ORG": "#4ECDC4",
     "I-ORG": "#A7E9E4",
-    "B-LOC": "#95E1D3",  # Location - Green
+    "B-LOC": "#95E1D3",
     "I-LOC": "#C7F0E8",
-    "B-DAT": "#FFA07A",  # Date - Orange
+    "B-DAT": "#FFA07A",
     "I-DAT": "#FFDAB9",
-    "B-TIM": "#DDA0DD",  # Time - Purple
+    "B-TIM": "#DDA0DD",
     "I-TIM": "#E6D0E6",
-    "B-MON": "#FFD700",  # Money - Gold
+    "B-MON": "#FFD700",
     "I-MON": "#FFEB99",
-    "B-PCT": "#87CEEB",  # Percent - Sky Blue
+    "B-PCT": "#87CEEB",
     "I-PCT": "#B3DFEF",
-    "STOCK": "#00FA9A",  # Stock Symbol - Medium Spring Green
+    "STOCK": "#00FA9A",
 }
 
 label_names = {
@@ -237,14 +258,13 @@ def merge_overlapping_entities(entities: List[Dict], stock_entities: List[Dict])
     """Merge entities, removing overlaps (stock symbols take precedence)"""
     all_entities = []
     
-    # Add stock entities first (they have priority)
+    # Add stock entities first
     all_entities.extend(stock_entities)
     
-    # Add NER entities that don't overlap with stock entities
+    # Add NER entities that don't overlap
     for ner_ent in entities:
         overlap = False
         for stock_ent in stock_entities:
-            # Check for overlap
             if not (ner_ent['end'] <= stock_ent['start'] or ner_ent['start'] >= stock_ent['end']):
                 overlap = True
                 break
@@ -258,7 +278,6 @@ def highlight_entities(text, all_entities):
     if not all_entities:
         return text
     
-    # Sort entities by start position (reverse order)
     entities_sorted = sorted(all_entities, key=lambda x: x['start'], reverse=True)
     
     result = text
@@ -269,10 +288,8 @@ def highlight_entities(text, all_entities):
         word = text[start:end]
         score = entity['score']
         
-        # Get color for this label
         color = label_colors.get(label if label == 'STOCK' else f"B-{label}", "#CCCCCC")
         
-        # Add extra info for stock symbols
         tooltip_info = f"{label} (confidence: {score:.2f})"
         if label == 'STOCK':
             company = entity.get('company', '')
@@ -280,7 +297,6 @@ def highlight_entities(text, all_entities):
             if company:
                 tooltip_info = f"{company} - {bazaar} (confidence: {score:.2f})"
         
-        # Create highlighted span
         highlighted = f'<span style="background-color: {color}; padding: 2px 6px; border-radius: 3px; margin: 0 2px; display: inline-block;" title="{tooltip_info}">{word} <sup style="font-size: 0.7em; font-weight: bold;">[{label}]</sup></span>'
         
         result = result[:start] + highlighted + result[end:]
@@ -296,13 +312,13 @@ def perform_ner(text):
         # Perform standard NER
         entities = ner_pipeline(text)
         
-        # Find stock symbols using Persian LLM
+        # Find stock symbols using Gemma
         stock_entities = find_stock_symbols_in_text(text)
         
-        # Merge entities (remove overlaps)
+        # Merge entities
         all_entities = merge_overlapping_entities(entities, stock_entities)
         
-        # Create highlighted version
+        # Create highlighted HTML
         highlighted_html = f"""
         <div style='direction: rtl; text-align: right; font-size: 18px; line-height: 2.5; 
                     padding: 20px; border: 1px solid #ddd; border-radius: 5px; 
@@ -317,7 +333,6 @@ def perform_ner(text):
             entity_info += "| کلمه (Word) | نوع (Type) | جزئیات (Details) | اطمینان (Confidence) |\n"
             entity_info += "|:------------|:-----------|:------------------|:---------------------|\n"
             
-            # Sort by position in text
             all_entities.sort(key=lambda x: x['start'])
             
             for ent in all_entities:
@@ -332,7 +347,7 @@ def perform_ner(text):
         else:
             entity_info = "هیچ موجودیتی شناسایی نشد (No entities detected)"
         
-        # Add statistics
+        # Statistics
         stats = f"\n\n### آمار (Statistics):\n"
         stats += f"- تعداد کل موجودیت‌ها: {len(all_entities)}\n"
         stats += f"- نمادهای بورسی: {len([e for e in all_entities if e['entity_group'] == 'STOCK'])}\n"
@@ -345,7 +360,7 @@ def perform_ner(text):
     except Exception as e:
         return f"<p style='color: red;'>خطا (Error): {str(e)}</p>", str(e)
 
-# Enhanced examples
+# Examples
 examples = [
     ["علی احمدی دیروز در تهران با مدیر شرکت ملی نفت ایران دیدار کرد."],
     ["سهام وبصادر و فولاد در بورس امروز با افزایش قیمت مواجه شدند."],
@@ -356,7 +371,7 @@ examples = [
     ["من دیروز ۱۰۰۰ سهم از وتوسکا خریدم و امیدوارم تا پایان هفته ۲۰ درصد سود کنم."],
 ]
 
-# Create Gradio interface
+# Gradio interface
 with gr.Blocks(
     title="Persian NER + Stock Symbols | شناسایی موجودیت‌ها و نمادهای بورسی",
     theme=gr.themes.Soft(),
@@ -365,25 +380,19 @@ with gr.Blocks(
     """
 ) as demo:
     gr.Markdown("""
-    # 🏦 Persian NER with Intelligent Stock Symbol Detection
-    # شناسایی هوشمند موجودیت‌های نامدار و نمادهای بورس ایران
+    # 🏦 شناسایی هوشمند موجودیت‌ها و نمادهای بورس ایران
+    ## Persian Named Entity Recognition with Stock Symbol Detection
+    ### Powered by Google Gemma-2-9B-IT
     
     <div class="rtl-text">
-    این سیستم با استفاده از دو مدل هوش مصنوعی:
-    
-    1. **ParsBERT-NER**: برای شناسایی موجودیت‌های نامدار (اشخاص، سازمان‌ها، مکان‌ها، تاریخ‌ها)
-    2. **Persian BERT QA**: برای تشخیص هوشمند نمادهای بورسی با درک متن
-    
-    ویژگی خاص: تشخیص هوشمند کلماتی مثل «فولاد» که می‌تواند نماد بورسی یا کلمه عادی باشد
+    این برنامه با استفاده از مدل قدرتمند Gemma-2-9B، متن‌های فارسی را تحلیل کرده و موجودیت‌های مختلف را شناسایی می‌کند.
     </div>
-    
-    ---
     """)
     
     with gr.Row():
         with gr.Column(scale=6):
             input_text = gr.Textbox(
-                label="متن فارسی (Persian Text)",
+                label="متن فارسی را وارد کنید (Enter Persian Text)",
                 placeholder="مثال: سهام فولاد در بورس تهران معامله می‌شود...",
                 lines=6,
                 rtl=True,
@@ -412,39 +421,56 @@ with gr.Blocks(
         examples_per_page=4
     )
     
-    # Color guide
-    with gr.Accordion("📖 راهنمای رنگ‌ها (Color Guide)", open=False):
+    # User guide
+    with gr.Accordion("📖 راهنمای استفاده (User Guide)", open=True):
         gr.Markdown("""
         <div class="rtl-text">
         
-        | رنگ | نوع موجودیت | توضیحات |
-        |:---:|:------------|:--------|
-        | 🔴 | **PER** | اشخاص و نام‌های افراد |
-        | 🔵 | **ORG** | سازمان‌ها و شرکت‌ها |
-        | 🟢 | **LOC** | مکان‌ها و نام‌های جغرافیایی |
-        | 🟠 | **DAT** | تاریخ‌ها |
-        | 🟣 | **TIM** | زمان‌ها |
-        | 🟡 | **MON** | مقادیر پولی |
-        | 🔷 | **PCT** | درصدها |
-        | 💚 | **STOCK** | نمادهای بورسی (با تحلیل هوشمند متن) |
+        ## چگونه از این برنامه استفاده کنیم؟
         
-        </div>
-        """)
-    
-    # Info section
-    with gr.Accordion("ℹ️ درباره سیستم (About)", open=False):
-        gr.Markdown("""
-        <div class="rtl-text">
+        1. **متن فارسی خود را در کادر بالا وارد کنید**
+        2. **دکمه «تحلیل متن» را بزنید**
+        3. **نتایج را در دو بخش مشاهده کنید:**
+           - متن با موجودیت‌های رنگی شده
+           - جدول کامل موجودیت‌ها با جزئیات
+        
+        ## انواع موجودیت‌هایی که شناسایی می‌شوند:
+        
+        | رنگ | نوع | مثال |
+        |:---:|:----|:-----|
+        | 🔴 قرمز | **اشخاص** | علی احمدی، مریم رضایی |
+        | 🔵 آبی | **سازمان‌ها** | شرکت ملی نفت، بانک ملت |
+        | 🟢 سبز | **مکان‌ها** | تهران، اصفهان، ایران |
+        | 🟠 نارنجی | **تاریخ‌ها** | ۱۵ خرداد ۱۴۰۳ |
+        | 🟣 بنفش | **زمان‌ها** | ساعت ۱۰ صبح |
+        | 🟡 زرد | **مبالغ پولی** | ۱۰۰۰ ریال، ۵ میلیارد تومان |
+        | 🔷 آبی آسمانی | **درصدها** | ۲۰ درصد، ۵٪ |
+        | 💚 سبز روشن | **نمادهای بورسی** | فولاد، وبملت، شپنا |
+        
+        ## ویژگی خاص: تشخیص هوشمند با Gemma-2-9B
+        
+        این برنامه از **مدل Gemma-2-9B** گوگل استفاده می‌کند که:
+        - درک عمیق از زبان فارسی دارد
+        - متن را به صورت کامل تحلیل می‌کند
+        - بین نماد بورسی و کلمه عادی تمایز قائل می‌شود
+        
+        **مثال:**
+        - «سهام **فولاد** در بورس معامله شد» ← فولاد = نماد بورسی ✅
+        - «صنعت **فولاد** در کشور مهم است» ← فولاد = کلمه عادی ❌
         
-        ### قابلیت‌های کلیدی:
+        ## نحوه تفسیر نتایج:
         
-        - **تشخیص هوشمند نمادهای بورسی**: با استفاده از مدل زبانی فارسی، سیستم تشخیص می‌دهد که آیا کلمات مشابه نمادها (مثل فولاد، فارس) در متن به عنوان نماد بورسی استفاده شده‌اند یا معنای عادی دارند
+        - **رنگ‌ها**: نوع موجودیت را نشان می‌دهند
+        - **برچسب‌ها**: نوع موجودیت به صورت مختصر
+        - **درصد اطمینان**: میزان اطمینان سیستم (۰-۱۰۰٪)
+        - **جزئیات نمادها**: نام شرکت، بازار و گروه صنعت
         
-        - **ترکیب دو مدل**: استفاده همزمان از ParsBERT-NER برای NER کلاسیک و Persian BERT برای درک متن
+        ## مدل‌های استفاده شده:
         
-        - **اطلاعات کامل نمادها**: نمایش نام شرکت، بازار، و گروه صنعت برای هر نماد شناسایی شده
+        - **ParsBERT NER**: شناسایی موجودیت‌های عمومی
+        - **Google Gemma-2-9B-IT**: تحلیل هوشمند متن و تشخیص نمادهای بورسی
         
-        - **دقت بالا**: با ترکیب تحلیل‌های مبتنی بر قواعد و مدل زبانی
+        ⚠️ **توجه**: مدل Gemma به دلیل حجم بالا (9 میلیارد پارامتر) ممکن است کمی کندتر باشد
         
         </div>
         """)
@@ -467,11 +493,16 @@ with gr.Blocks(
         outputs=[output_html, output_entities]
     )
 
-# Launch the app
+# Launch
 if __name__ == "__main__":
     print("Starting Persian NER + Stock Symbol Detection System...")
     print(f"Using device: {device}")
     print(f"Loaded {len(STOCK_SYMBOLS)} stock symbols")
+    print("Models:")
+    print("  - NER: HooshvareLab/bert-base-parsbert-ner-uncased")
+    print("  - Context Understanding: Google Gemma-2-9B-IT")
+    print("\nNote: Gemma-2-9B is a large model. First run may take time to download.")
+    print("For better performance, consider using GPU if available.")
     demo.launch(
         share=False,
         debug=True