Upload 3 files

requirements(1).txt

@@ -0,0 +1,6 @@
+streamlit==1.23.1
+torch==2.0.1
+numpy==1.23.5
+pandas==1.5.3
+transformers==4.30.0
+regex==2022.10.31

stri.py

@@ -0,0 +1,83 @@
+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('books_6000.csv')
+books.dropna(inplace=True)
+
+
+books = books[books['annotation'].apply(lambda x: len(x.split()) >= 10)]
+books.drop_duplicates(subset='title', keep='first', inplace=True)
+books = 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'<.*?>', ' ', text)  # html tags
+    return text
+
+
+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.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])