app.py

import re
import streamlit as st
import torch
from transformers import MBartForConditionalGeneration, MBartTokenizer
from huggingface_hub import hf_hub_download

# 🎯 โหลดโมเดลจาก Hugging Face

st.markdown(
    """
    <style>
        .container {
            max-width: 700px;
            margin: auto;
            border-radius: 10px;
            background-color: #f9f9f9;
            box-shadow: 0px 4px 6px rgba(0, 0, 0, 0.1);
        }
        .content {
            text-align: justify;
            line-height: 1.6;
        }
        .under {
            text-decoration-line: underline;
            text-decoration-style: double;
        }
    </style>
    """,
    unsafe_allow_html=True,
)

@st.cache_resource
def load_model():
    try:
        # 🔹 ดาวน์โหลด model.pth จาก Hugging Face
        model_path = hf_hub_download(repo_id="firstmetis/absa_it", filename="model.pth")

        # 🔹 โหลดโมเดล MBart
        model = MBartForConditionalGeneration.from_pretrained("facebook/mbart-large-50")

        # 🔹 โหลด tokenizer และเพิ่ม special tokens
        tokenizer = MBartTokenizer.from_pretrained("facebook/mbart-large-50")
        special_tokens = ['<SYMBOL>', '<ASPECT>', '<OPINION>', '<POS>', '<NEG>', '<NEU>']
        tokenizer.add_special_tokens({'additional_special_tokens': special_tokens})
        
        # 🔹 ปรับขนาด token embeddings
        model.resize_token_embeddings(len(tokenizer))

        # 🔹 โหลดพารามิเตอร์
        model.load_state_dict(torch.load(model_path, map_location="cpu"))

        model.eval()
        return model, tokenizer

    except Exception as e:
        st.error(f"❌ เกิดข้อผิดพลาดขณะโหลดโมเดล: {e}")
        return None, None

# โหลดโมเดล
model, tokenizer = load_model()
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
if model:
    model.to(device)

# ฟังก์ชันแปลงผลลัพธ์ (ลบความมั่นใจออก)
def format_output(text):
    pattern = r"<SYMBOL>\s*(.*?)\s*<ASPECT>\s*(.*?)\s*<OPINION>\s*(.*?)\s*<(POS|NEG|NEU)>"
    match = re.search(pattern, text)

    sentiment_mapping = {
        "POS": "เชิงบวก (Positive)",
        "NEG": "เชิงลบ (Negative)",
        "NEU": "เชิงกลาง (Neutral)"
    }

    sentiment_colors = {
        "POS": "#d4edda",  # สีเขียว
        "NEG": "#f8d7da",  # สีแดง
        "NEU": "#ffffff"   # สีขาว
    }

    if match:
        symbol, aspect, opinion, sentiment = match.groups()
        sentiment_text = sentiment_mapping.get(sentiment, sentiment)  # แปลง sentiment

        return f"""
            <b>SYMBOL:</b> <span style= "color: black; background-color: #dbeafe; padding: 3px 6px; border-radius: 5px;">{symbol}</span>&nbsp;&nbsp;
            <b>ASPECT:</b> <span style= "color: black; background-color: #ffefd9; padding: 3px 6px; border-radius: 5px;">{aspect}</span>&nbsp;&nbsp;
            <b>OPINION:</b> <span style= "color: black; background-color: #f5c6ff; padding: 3px 6px; border-radius: 5px;">{opinion}</span>&nbsp;&nbsp;
            <b>SENTIMENT:</b> <span style= "color: black; background-color: {sentiment_colors.get(sentiment, '#ffffff')}; padding: 3px 6px; border-radius: 5px;">{sentiment_text}</span>
        """

    return f"{text}"

# ฟังก์ชันสำหรับสร้างข้อความ (ไม่คำนวณ confidence)
def generate_text(input_text):
    input_ids = tokenizer(input_text, return_tensors="pt", truncation=True, padding=True, max_length=512).input_ids
    input_ids = input_ids.to(device)

    with torch.no_grad():
        outputs = model.generate(
            input_ids,
            num_beams=4,
            do_sample=True,
            temperature=1.2,
            top_k=50,
            top_p=0.95,
            num_return_sequences=4,
            max_length=50,
            return_dict_in_generate=True,  
            output_scores=False  # ไม่ต้องการให้คืนค่า logits ของ output
        )

    sequences = outputs.sequences

    # แปลง sequences เป็นข้อความ
    output_texts = [
        tokenizer.decode(seq, skip_special_tokens=False).replace("</s>", "").replace("<pad>", "").strip()
        for seq in sequences
    ]

    # คืนค่าเป็นแค่ข้อความที่สร้างขึ้นจากโมเดล
    return output_texts

# **🎯 สร้าง UI ด้วย Streamlit**
st.title("📌 Aspect-based Sentiment Analysis (ABSA)")
st.markdown(
    """
    <div class='content'>
        <h4>📍 วิธีการใช้งานเว็บไซต์</h4>
        <p>
            &emsp;1. เลือกพาดหัวข่าวเกี่ยวกับหุ้นที่สนใจโดยมีเงื่อนไขดังนี้</br>
            &emsp;&emsp;&emsp;- เป็นข่าวหุ้นไทยในปี พ.ศ.2566-2567</br>
            &emsp;&emsp;&emsp;- เป็นข่าวหุ้นไทยที่มีสัญลักษณ์หุ้นชัดเจน</br>
            &emsp;&emsp;&emsp;- เป็นข่าวหุ้นไทยที่มีการออกข่าวค่อนข้างบ่อย</br>
            &emsp;&emsp;&emsp;   <u class="under">ตัวอย่าง</u> : TISCO ปันผลดี เหมาะสะสม บล.ดีบีเอสฯให้เป้า 118 บ.</br>
            &emsp;2. นำพาดหัวข่าวใส่ลงช่องว่างด้านล่าง</br>
            &emsp;3. กดปุ่ม Apply เพื่อวิเคราะห์
        </p>
    </div>
    """,
    unsafe_allow_html=True,
)
st.markdown("ใส่พาดหัวข่าวหุ้น เพื่อวิเคราะห์ Sentiment")

# รับค่าจากผู้ใช้
user_input = st.text_input("✍️ ใส่ข้อความตรงนี้ :", "")

# ปุ่ม Apply
if st.button("Apply"):
    if user_input:
        responses = generate_text(user_input)  # ได้ list ของข้อความที่สร้างจากโมเดล

        if responses:  # ตรวจสอบว่ามีข้อมูล
            for i, response_text in enumerate(responses, 1):
                formatted_output = format_output(response_text)
                st.markdown(f"**🔹 ผลลัพธ์ {i} :**<br>{formatted_output}", unsafe_allow_html=True)
                st.markdown("<hr>", unsafe_allow_html=True)  # เส้นคั่นระหว่างผลลัพธ์
        else:
            st.warning("⚠️ ไม่พบผลลัพธ์ที่สามารถวิเคราะห์ได้")

    else:
        st.warning("⚠️ กรุณากรอกข้อความก่อนกด Apply")