Spaces:
Runtime error
Runtime error
File size: 4,899 Bytes
777cb96 4f4712b 777cb96 4f4712b 777cb96 234ebfe 777cb96 4f4712b 777cb96 234ebfe |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 |
import streamlit as st
st.set_page_config(page_title="FindMyBook", page_icon="📚", menu_items=None, initial_sidebar_state="auto")
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import csv
from joblib import load
from transformers import AutoTokenizer, AutoModel
from faiss_file import model, tokenizer, embeddings_dataset, embed_bert_cls, recommend
# Модель, токенайзер, датасет, kmeans, функция рекомендаций
device = 'cpu'
#tokenizer_k = AutoTokenizer.from_pretrained("cointegrated/rubert-tiny")
#model_k = AutoModel.from_pretrained("cointegrated/rubert-tiny")
kmeans = load('kmeans.joblib')
emb = load('final_emb.joblib')
def recomendation(input):
user_input = embed_bert_cls(input, model, tokenizer)#embed_bert_cls(input, model_k, tokenizer_k)
label = kmeans.predict(user_input.reshape(1, -1))[0]
sample_df = emb[emb['labels'] == label].copy()
sample_df['cosine'] = sample_df['embeddings'].apply(lambda x: np.dot(x, user_input) / (np.linalg.norm(x) * np.linalg.norm(user_input)))
return sample_df.sort_values('cosine', ascending=False)
st.title('Умный поиск книг')
with st.sidebar:
st.markdown('Добро пожаловать в мир **FindMyBook** - самого умного поисковика книг! Это как твой личный библиотекарь, который знает все о тебе и твоих предпочтениях в литературе! Это не просто обычный поисковик, который ищет книги по авторам или названиям, это настоящий литературный детектив, который проникает в глубь содержания книг и помогает найти именно те, которые оставят неизгладимое впечатление.')
st.markdown('**FindMyBook** работает на основе передовых алгоритмов искусственного интеллекта, которые позволяют ему анализировать содержание книг и находить связи между ними. Этот поисковик сможет найти книгу, которая понравится именно тебе, учитывая твои предпочтения и интересы.')
st.markdown('Не нужно тратить время на бесконечный поиск книг в огромных онлайн-библиотеках. Просто введи тему, которая тебя интересует, и **FindMyBook** уже начнет искать книги, которые подходят именно тебе!')
user_prompt = st.text_area(label='Введите запрос:', placeholder="Хочу прочитать о...", height=200)
books_per_page = st.number_input('Количество рекомендаций:', min_value=1, max_value=5, value=3)
button = st.button("Найти")
tab1, tab2 = st.tabs(["Faiss Search", "K-Mean"])
with tab1:
if button and len(user_prompt) > 1:
book_recs = recommend(user_prompt, books_per_page)
for i in range(books_per_page):
col1, col2 = st.columns([2,7])
with col1:
image = book_recs['image_url'].iloc[i]
st.image(image)
with col2:
title = book_recs['title'].iloc[i]
try:
author = book_recs['author'].iloc[i].rstrip()
except:
author = book_recs['author'].iloc[i]
annotation = book_recs['annotation'].iloc[i]
st.subheader(title)
st.markdown(f'_{author}_')
st.caption(annotation)
st.markdown(f"[Подробнее...]({book_recs['page_url'].iloc[i]})")
#st.divider()
with tab2:
#book_recs = recommend(user_prompt, books_per_page)
if button and len(user_prompt) > 1:
book_recs = recomendation(user_prompt)
for i in range(books_per_page):
col1, col2 = st.columns([2,7])
with col1:
image = book_recs['image_url'].iloc[i]
st.image(image)
with col2:
title = book_recs['title'].iloc[i]
try:
author = book_recs['author'].iloc[i].rstrip()
except:
author = book_recs['author'].iloc[i]
annotation = book_recs['annotation'].iloc[i]
st.subheader(title)
st.markdown(f'_{author}_')
st.caption(annotation)
st.markdown(f"[Подробнее...]({book_recs['page_url'].iloc[i]})")
#st.divider()
|