Update model.py

model.py

@@ -1,21 +1,51 @@
 #endpointe ait model 
 import requests
 from config import HUGGINGFACE_API_URL, HUGGINGFACE_API_KEY
-from database import get_reference_data,connect_to_mongodb,insert_data_into_input_db
+from sentence_transformers import SentenceTransformer, util
+from app.database import get_reference_data,connect_to_mongodb,insert_data_into_input_db
 
+#input mongodb üzerindne çekilen veriler(kullanıcıdan alınan bilgilerin lamba üzerinden alınması gerekiyor, lamba fonksiyonu için dockerfile in gelişitirilmnesi atılması gerekiyor )
+#sentenceTransformer modeli 
+#endpointin de eklenmesi gerekir.
+model = SentenceTransformer('paraphrase-MiniLM-L6-v2')
 
 #reference mongodb den çekilen veriler
+def process_user_input(user_input):
+    """
+    Kullanıcıdan gelen input verileriyle referans verilerini karşılaştırır ve en benzer metinleri döndürür.
+    """
+    # MongoDB'den referans verileri çek
+    reference_data = get_reference_data()
 
-#input mongodb üzerindne çekilen veriler(kullanıcıdan alınan bilgilerin lamba üzerinden alınması gerekiyor, lamba fonksiyonu için dockerfile in gelişitirilmnesi atılması gerekiyor )
+    # Kullanıcıdan gelen veriler için dynamo 
+    insert_data_into_input_db(user_input)
 
-#enpointin tanımlanması ve model entegresi
+    # Model ile benzerlik hesaplama işlemi yap
+    similarity_scores = []
+    for reference_item in reference_data:
+        score = calculate_similarity(user_input["text"], reference_item["text"])
+        if score > 0.5:  # Benzerlik eşiği
+            similarity_scores.append({
+                "reference_text": reference_item["text"],
+                "score": score
+            })
 
 #alınan verilerin karşılaştırılmasının yapılması (title,keywords,text)
+"""burada öncelikle refenence database ile input database in çekilmesi gerekiyor """
+
+def calculate_similarity(text1, text2):
+    """
+    İki metin arasındaki benzerlik oranını hesaplar.
+    """
+    embedding1 = model.encode(text1, convert_to_tensor=True)
+    embedding2 = model.encode(text2, convert_to_tensor=True)
+    similarity_score = util.pytorch_cos_sim(embedding1, embedding2)
+    return similarity_score.item()
 
 #benzerlik oranı belirlee (örneğin 0.5 in üzerinde yakaldığı benzerlikteki textler ve keywordler için yakalama)
 
 
-def get_huggingface_prediction(input_data): #input_data'yı main.py ile entegre etmeliyim
+"""def get_huggingface_prediction(input_data): #input_data'yı main.py ile entegre etmeliyim
     headers = {
         "Authorization": f"Bearer {HUGGINGFACE_API_KEY}"
     }
@@ -24,7 +54,7 @@ def get_huggingface_prediction(input_data): #input_data'yı main.py ile entegre
     }
 
     response = requests.post(HUGGINGFACE_API_URL, headers=headers, json=payload)
-    return response.json()
+    return response.json()"""