Update stri.py

stri.py

@@ -4,6 +4,7 @@ import numpy as np
 import pandas as pd
 from transformers import AutoTokenizer, AutoModel
 import re
+import pickle
 
 st.title("Книжные рекомендации")
 
@@ -37,47 +38,37 @@ 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.no_grad():
-        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 = st.text_input("Введите запрос")
-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.no_grad():
-    query_embedding = model(query_padded.unsqueeze(0), query_mask.unsqueeze(0))
-    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])
+if st.button('**Generating recommendations**'):
+    with open("book_embeddings.pkl", "rb") as f:
+        book_embeddings = pickle.load(f)
+        
+    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.no_grad():
+        query_embedding = model(query_padded.unsqueeze(0), query_mask.unsqueeze(0))
+        query_embedding = query_embedding[0][:, 0, :] 
+    
+    # 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])