Delete chatbot.py

chatbot.py

@@ -1,85 +0,0 @@
-import pandas as pd
-from typing import Tuple, List, Dict, Any
-from src.utils.data_loader import load_restaurant_data
-from src.utils.query_parser import QueryParser
-from src.embeddings.embedder import Embedder
-from src.retrieval.vector_store import VectorStore
-from src.retrieval.keyword_filter import filter_restaurants
-from src.retrieval.hybrid_search import HybridRetriever
-from src.generation.llm import LLM
-from langchain_core.embeddings import Embeddings
-
-class LangChainEmbeddingWrapper(Embeddings):
-    def __init__(self, embedder):
-        self.embedder = embedder
-    
-    def embed_documents(self, texts: List[str]) -> List[List[float]]:
-        return self.embedder.embed(texts).tolist()
-    
-    def embed_query(self, text: str) -> List[float]:
-        return self.embedder.embed([text])[0].tolist()
-
-class RestaurantChatbot:
-    def __init__(self, data_path: str = "data/restaurants.json"):
-        """
-        Initialize the restaurant chatbot.
-        
-        Args:
-            data_path (str): Path to the restaurant JSON file.
-        """
-        self.df = load_restaurant_data(data_path)
-        self.embedder = Embedder()
-        self.embedding_wrapper = LangChainEmbeddingWrapper(self.embedder)
-        self.vector_store = VectorStore(embedding_function=self.embedding_wrapper)
-        self.llm = LLM()
-        self.parser = QueryParser(self.df)
-        
-        embeddings = self.embedder.embed(self.df['text'].tolist())
-        self.vector_store.add_documents(
-            documents=self.df['text'].tolist(),
-            embeddings=embeddings.tolist(),
-            ids=[str(i) for i in self.df['id']]
-        )
-        
-        self.retriever = HybridRetriever(self.df, self.vector_store, self.embedder)
-    
-    def answer(self, query: str) -> Tuple[str, List[Dict[str, Any]]]:
-        """
-        Process a user query and return a natural, concise response with recommended restaurants.
-        
-        Args:
-            query (str): User query.
-        
-        Returns:
-            Tuple[str, List[Dict[str, Any]]]: Natural response text and list of recommended restaurants.
-        """
-        parsed_query = self.parser.parse_query(query)
-        filtered_df = filter_restaurants(self.df, parsed_query)
-        description = parsed_query["description"] if parsed_query["description"] else query
-        
-        if filtered_df.empty:
-            retrieved_docs = self.retriever.retrieve(description, self.df, top_k=3)
-        else:
-            retrieved_docs = self.retriever.retrieve(description, filtered_df, top_k=3)
-        
-        if not retrieved_docs:
-            return "Mình không tìm được nhà hàng nào phù hợp. Bạn thử đổi tiêu chí xem, như mở rộng khoảng cách hoặc loại món ăn nhé!", []
-        
-        # Create context for LLM
-        context = "\n".join([
-            f"- {doc['name']} ({doc['cuisine']}): {', '.join(doc['dishes'])}. "
-            f"Price: {doc['price_range']}, Distance: {doc['distance']} km, Rating: {doc['rating']}. "
-            f"Description: {doc['description']}"
-            for doc in retrieved_docs
-        ])
-        
-        # Prompt for natural, consultant-like response
-        prompt = (
-            f"Bạn là một người tư vấn nhà hàng thân thiện. Dựa trên truy vấn và danh sách nhà hàng, hãy gợi ý ngắn gọn, tự nhiên, như trò chuyện với bạn bè, giải thích tại sao chọn các nhà hàng này (tập trung vào món ăn, giá, khoảng cách, hoặc đánh giá phù hợp với truy vấn). Không lặp lại truy vấn hoặc dùng ngôn ngữ kỹ thuật. Chỉ dùng thông tin từ danh sách nhà hàng.\n\n"
-            f"Truy vấn: {query}\n\n"
-            f"Danh sách nhà hàng:\n{context}\n\n"
-            f"Phản hồi:"
-        )
-        
-        response = self.llm.generate(prompt, max_length=200)
-        return response, retrieved_docs