Update app.py
Browse files
app.py
CHANGED
@@ -1,4 +1,5 @@
|
|
1 |
import os
|
|
|
2 |
import docx
|
3 |
import torch
|
4 |
import numpy as np
|
@@ -58,7 +59,6 @@ def cosine_similarity(vec1, vec2):
|
|
58 |
|
59 |
# رابط کاربری استریملیت
|
60 |
st.title("🔎 یافتن نزدیکترین بخش ۵ جملهای به ورودی شما")
|
61 |
-
st.markdown("با استفاده از مدل `HooshvareLab/bert-fa-base-uncased`")
|
62 |
|
63 |
# مسیر پوشه فایلهای docx
|
64 |
folder_path = '46'
|
@@ -69,16 +69,19 @@ st.success(f"{len(chunks)} بخش ۵ جملهای بارگذاری شد.")
|
|
69 |
|
70 |
# ورودی کاربر
|
71 |
user_input = st.text_area("لطفاً جمله یا متن خود را وارد کنید:")
|
72 |
-
|
|
|
|
|
|
|
73 |
if st.button("🔍 جستجو"):
|
74 |
if not user_input.strip():
|
75 |
st.warning("لطفاً یک جمله وارد کنید.")
|
76 |
else:
|
77 |
with st.spinner("در حال محاسبه شباهتها..."):
|
78 |
user_embedding = get_embedding(user_input)
|
79 |
-
similarities =
|
80 |
most_similar_index = np.argmax(similarities)
|
81 |
result = chunks[most_similar_index]
|
82 |
|
83 |
st.subheader("📌 شبیهترین بخش ۵ جملهای:")
|
84 |
-
st.write(result)
|
|
|
1 |
import os
|
2 |
+
import concurrent.futures
|
3 |
import docx
|
4 |
import torch
|
5 |
import numpy as np
|
|
|
59 |
|
60 |
# رابط کاربری استریملیت
|
61 |
st.title("🔎 یافتن نزدیکترین بخش ۵ جملهای به ورودی شما")
|
|
|
62 |
|
63 |
# مسیر پوشه فایلهای docx
|
64 |
folder_path = '46'
|
|
|
69 |
|
70 |
# ورودی کاربر
|
71 |
user_input = st.text_area("لطفاً جمله یا متن خود را وارد کنید:")
|
72 |
+
def calculate_similarities_parallel(user_embedding, chunks):
|
73 |
+
with concurrent.futures.ThreadPoolExecutor() as executor:
|
74 |
+
similarities = list(executor.map(lambda chunk: cosine_similarity(user_embedding, get_embedding(chunk)), chunks))
|
75 |
+
return similarities
|
76 |
if st.button("🔍 جستجو"):
|
77 |
if not user_input.strip():
|
78 |
st.warning("لطفاً یک جمله وارد کنید.")
|
79 |
else:
|
80 |
with st.spinner("در حال محاسبه شباهتها..."):
|
81 |
user_embedding = get_embedding(user_input)
|
82 |
+
similarities = calculate_similarities_parallel(user_embedding, chunks)
|
83 |
most_similar_index = np.argmax(similarities)
|
84 |
result = chunks[most_similar_index]
|
85 |
|
86 |
st.subheader("📌 شبیهترین بخش ۵ جملهای:")
|
87 |
+
st.write(result)
|