stri.py

import streamlit as st
import torch
import numpy as np
import pandas as pd
from transformers import AutoTokenizer, AutoModel
import re

st.title("Книжные рекомендации")

# Загрузка модели и токенизатора
model_name = "cointegrated/rubert-tiny2"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModel.from_pretrained(model_name, output_hidden_states=True)

# Загрузка датасета и аннотаций к книгам
books = pd.read_csv('book_train.csv')
books.dropna(inplace=True)

books = books.reset_index(drop=True)
books = books[books['annotation'].apply(lambda x: len(x.split()) >= 10)]
books.drop_duplicates(subset='title', keep='first', inplace=True)
books.reset_index(drop=True)



def data_preprocessing(text: str) -> str:
    text = re.sub(r'http\S+', " ", text) # удаляем ссылки
    text = re.sub(r'@\w+',' ',text) # удаляем упоминания пользователей
    text = re.sub(r'#\w+', ' ', text) # удаляем хэштеги
#     text = re.sub(r'\d+', ' ', text) # удаляем числа
#     text = text.translate(str.maketrans('', '', string.punctuation))
    text = re.sub(r'<.*?>',' ', text) # html tags
    return 
    
for i in ['author',	'title',	'annotation']:
    books[i] = books[i].apply(data_preprocessing)

annot = books['annotation']

# Получение эмбеддингов аннотаций каждой книги в датасете
max_len = 128
token_annot = annot.apply(lambda x: tokenizer.encode(x, add_special_tokens=True, \
                                                   truncation=True, max_length=max_len))

padded = np.array([i + [0]*(max_len-len(i)) for i in token_annot.values])  # заполним недостающую длину нулями
attention_mask = np.where(padded != 0, 1, 0)   # создадим маску, отметим где есть значения а где пустота
# Переведем numpy массивы в тензоры PyTorch
input_ids = torch.tensor(padded, dtype=torch.long)
attention_mask = torch.tensor(attention_mask, dtype=torch.long)


book_embeddings = []
for inputs, attention_masks in zip(input_ids, attention_mask):
    with torch.inference_mode():
        book_embedding = model(inputs.unsqueeze(0), attention_mask=attention_masks.unsqueeze(0))
        book_embedding = book_embedding[0][:,0,:] #.detach().cpu().numpy()
        book_embeddings.append(np.squeeze(book_embedding))

# Определение запроса пользователя
query = "В Америке началась Гражданская война"
query_tokens = tokenizer.encode(query, add_special_tokens=True, \
                                                   truncation=True, max_length=max_len)

query_padded = np.array(query_tokens + [0]*(max_len-len(query_tokens)))
query_mask = np.where(query_padded != 0, 1, 0)

# Переведем numpy массивы в тензоры PyTorch
query_padded = torch.tensor(query_padded, dtype=torch.long)
query_mask = torch.tensor(query_mask, dtype=torch.long)

with torch.inference_mode():
    query_embedding = model(query_padded.unsqueeze(0), query_mask.unsqueeze(0))      #[0].squeeze()
    query_embedding = query_embedding[0][:,0,:] #.detach().cpu().numpy()

# Вычисление косинусного расстояния между эмбеддингом запроса и каждой аннотацией
cosine_similarities = torch.nn.functional.cosine_similarity(
    query_embedding.squeeze(0),
    torch.stack(book_embeddings)
)

cosine_similarities = cosine_similarities.numpy()

indices = np.argsort(cosine_similarities)[::-1] # Сортировка по убыванию

for i in indices[:10]:
    st.write(books['title'][i])