Spaces:
Sleeping
Sleeping
import streamlit as st | |
import pandas as pd | |
import torch | |
from transformers import AutoTokenizer, AutoModel | |
import faiss | |
import numpy as np | |
st.title('Умный поиск фильмов 🔍🎦') | |
with st.sidebar: | |
st.header('Выберите страницу') | |
page = st.selectbox("Выберите страницу", ["Главная", "Подбор фильмов по описанию", "Итоги"]) | |
if page == "Главная": | |
st.header('Выполнила команда "FindMyMovie":') | |
st.subheader('🎥Алексей') | |
st.subheader('🎬Светлана') | |
st.subheader('🍿Тата') | |
st.subheader('Наши задачи:') | |
st.markdown(""" | |
<span style='font-size:18px; color:purple;'>Задача 1:</span> Спарсить информацию по 5 тыс. фильмов и обработать ее | |
<span style='font-size:18px; color:purple;'>Задача 2:</span> Разработать систему поиска фильма по пользовательскому запросу | |
""", unsafe_allow_html=True) | |
st.markdown( | |
f"<div style='border: 2px solid #800080; padding: 10px; text-align: center;'><span style='font-size: 20px; color: violet;'>Мы любезно позаимствовали данные о фильмах с \ | |
Киноафиши, ни один участник команды при этом не пострадал 💟</span></div>", | |
unsafe_allow_html=True | |
) | |
st.subheader(' '*10) | |
st.info('🌟Сервис принимает на вход описание фильма от пользователя и возвращает заданное количество подходящих вариантов') | |
df = pd.read_csv('fina_data.csv') | |
st.info('🌟Если не знаете, что посмотреть, нажмите кнопку "Сгенерировать" - сервис предложит вам 10 случайных фильмов из библиотеки') | |
# Отображаем HTML-разметку в Streamlit | |
if st.button("Сгенерировать 🎲"): | |
# Получение случайных 10 строк | |
random_rows = df[['movie_title', 'description']].sample(n=10).reset_index(drop=True) | |
random_rows.index = random_rows.index + 1 | |
# Вывод на страничке Streamlit без индексов и заголовков столбцов | |
st.write("Вот, что мы подобрали для вас сегодня:") | |
st.dataframe(random_rows.reset_index(drop=True), index=False) | |
if page == "Подбор фильмов по описанию": | |
# Загрузка предварительно обученной модели ruBERT | |
tokenizer = AutoTokenizer.from_pretrained("DeepPavlov/rubert-base-cased-sentence") | |
model = AutoModel.from_pretrained("DeepPavlov/rubert-base-cased-sentence") | |
df2 = pd.read_csv('fina_data.csv') | |
embeddings_array = np.load('embeddings_final.npy') | |
index = faiss.read_index('desc_faiss_index_final.index') | |
def encode_description(description): | |
tokens = tokenizer(description, return_tensors="pt") | |
with torch.no_grad(): | |
outputs = model(**tokens) | |
embeddings = outputs.last_hidden_state.mean(dim=1) | |
return embeddings.cpu().numpy().astype('float32') | |
# embeddings = pd.read_pickle('embeddings.pkl') | |
def main(): | |
# Пользовательский ввод | |
user_input = st.text_input("Введите описание фильма:", value="", help="Чем подробнее будет ваше описание, тем точнее мы сможем подобрать для вас фильм 🤗'") | |
if st.button("Искать🔍🎦"): | |
if user_input: | |
# Векторизация введенного запроса | |
input_embedding = encode_description(user_input) | |
# Поиск с использованием Faiss | |
_, sorted_indices = index.search(input_embedding.reshape(1, -1), 5) # Изменил на 5 | |
# Используйте индексы для извлечения строк из DataFrame | |
recs = df2.iloc[sorted_indices[0]].reset_index(drop=True) | |
recs.index = recs.index + 1 | |
# Вывод рекомендованных фильмов с изображениями | |
st.subheader("Рекомендованные фильмы 🎉:") | |
for i in range(5): | |
st.markdown(f"<span style='font-size:{20}px; color:purple'>{recs['movie_title'].iloc[i]}</span>", unsafe_allow_html=True) | |
# Создаем две колонки: одну для текста, другую для изображения | |
col1, col2 = st.columns([2, 1]) | |
# В колонке отображаем название фильма, описание, роли и ссылку | |
col1.info(recs['description'].iloc[i]) | |
col1.markdown(f"**В ролях:** {recs['actors'].iloc[i]}") | |
col1.markdown(f"**Фильм можно посмотреть [здесь]({recs['page_url'].iloc[i]})**") | |
# В колонке отображаем изображение | |
col2.image(recs['image_url'].iloc[i], caption=recs['movie_title'].iloc[i], width=200) | |
if __name__ == "__main__": | |
main() |