Update app.py

app.py

@@ -1,4 +1,4 @@
-from transformers import AutoTokenizer, AutoModel # Entfernt: FlaxAutoModelForSeq2SeqLM
+from transformers import AutoTokenizer, AutoModel
 import torch
 import numpy as np
 import random
@@ -16,7 +16,7 @@ bert_model.eval() # Setze das Modell in den Evaluationsmodus
 # T5-Modell und -Logik KOMPLETT ENTFERNT für diesen Schritt
 # special_tokens und tokens_map sind nicht mehr relevant, bleiben aber als Kommentar
 
-# --- RecipeBERT-spezifische Funktionen (die jetzt die Kernlogik sind) ---
+# --- RecipeBERT-spezifische Funktionen ---
 def get_embedding(text):
     """Berechnet das Embedding für einen Text mit Mean Pooling über alle Tokens."""
     inputs = bert_tokenizer(text, return_tensors="pt", truncation=True, padding=True)
@@ -29,6 +29,11 @@ def get_embedding(text):
     sum_mask = torch.clamp(input_mask_expanded.sum(1), min=1e-9)
     return (sum_embeddings / sum_mask).squeeze(0)
 
+def average_embedding(embedding_list):
+    """Berechnet den Durchschnitt einer Liste von Embeddings."""
+    tensors = torch.stack(embedding_list) # embedding_list enthält hier direkt die Tensoren
+    return tensors.mean(dim=0)
+
 def get_cosine_similarity(vec1, vec2):
     """Berechnet die Cosinus-Ähnlichkeit zwischen zwei Vektoren."""
     if torch.is_tensor(vec1): vec1 = vec1.detach().numpy()
@@ -42,35 +47,48 @@ def get_cosine_similarity(vec1, vec2):
     return dot_product / (norm_a * norm_b)
 
 
-# find_best_ingredients (modifiziert, um KEINE Embeddings für T5-ähnliche Auswahl zu nutzen,
-# sondern nur grundlegende Zutatenbearbeitung und Optionalen Test für RecipeBERT-Laden)
-def find_best_ingredients(required_ingredients, available_ingredients, max_ingredients=6, avg_weight=0.6):
+# find_best_ingredients (modifiziert, um die ähnlichste Zutat mit RecipeBERT zu finden)
+def find_best_ingredients(required_ingredients, available_ingredients, max_ingredients=6):
     """
-    Für diesen Test: Gibt einfach die benötigten Zutaten plus ein paar zufällige verfügbare Zutaten zurück.
-    Die semantische Auswahl von RecipeBERT ist hier nicht aktiv (da T5-Generierung fehlt).
+    Findet die besten Zutaten: Alle benötigten + EINE ähnlichste aus den verfügbaren Zutaten.
     """
     required_ingredients = list(set(required_ingredients))
     available_ingredients = list(set([i for i in available_ingredients if i not in required_ingredients]))
 
     final_ingredients = required_ingredients.copy()
-    num_to_add = min(max_ingredients - len(final_ingredients), len(available_ingredients))
-    if num_to_add > 0:
-        final_ingredients.extend(random.sample(available_ingredients, num_to_add))
-    
-    # Optional: Ein kleiner Test-Print, ob RecipeBERT erfolgreich geladen wurde
-    try:
+
+    # Nur wenn wir noch Platz haben und zusätzliche Zutaten verfügbar sind
+    if len(final_ingredients) < max_ingredients and len(available_ingredients) > 0:
         if final_ingredients:
-            # Versuche ein Embedding für die erste Zutat zu generieren
-            test_embedding = get_embedding(final_ingredients[0])
-            print(f"INFO: Successfully generated embedding for '{final_ingredients[0]}'. RecipeBERT is loaded.")
+            # Berechne den Durchschnitts-Embedding der benötigten Zutaten
+            required_embeddings = [get_embedding(ing) for ing in required_ingredients]
+            avg_required_embedding = average_embedding(required_embeddings)
+            
+            best_additional_ingredient = None
+            highest_similarity = -1.0
+
+            # Finde die ähnlichste Zutat aus den verfügbaren
+            for avail_ing in available_ingredients:
+                avail_embedding = get_embedding(avail_ing)
+                similarity = get_cosine_similarity(avg_required_embedding, avail_embedding)
+                if similarity > highest_similarity:
+                    highest_similarity = similarity
+                    best_additional_ingredient = avail_ing
+            
+            if best_additional_ingredient:
+                final_ingredients.append(best_additional_ingredient)
+                print(f"INFO: Added '{best_additional_ingredient}' (similarity: {highest_similarity:.2f}) as most similar.")
         else:
-            print("INFO: No ingredients to test embedding with.")
-    except Exception as e:
-        print(f"ERROR: RecipeBERT embedding test failed: {e}")
+            # Wenn keine benötigten Zutaten, wähle zufällig eine aus den verfügbaren (wie zuvor)
+            random_ingredient = random.choice(available_ingredients)
+            final_ingredients.append(random_ingredient)
+            print(f"INFO: No required ingredients. Added random available ingredient: '{random_ingredient}'.")
+
+    # Begrenze auf max_ingredients, falls durch Zufall/ähnlichster Auswahl zu viele hinzugefügt wurden
+    return final_ingredients[:max_ingredients]
 
-    return final_ingredients
 
-# mock_generate_recipe (ersetzt generate_recipe_with_t5)
+# mock_generate_recipe (bleibt gleich)
 def mock_generate_recipe(ingredients_list):
     """Generiert ein Mock-Rezept, da T5-Modell entfernt ist."""
     title = f"Einfaches Rezept mit {', '.join(ingredients_list[:3])}" if ingredients_list else "Einfaches Testrezept"
@@ -79,9 +97,10 @@ def mock_generate_recipe(ingredients_list):
         "ingredients": ingredients_list, # Die "generierten" Zutaten sind einfach die Eingabe
         "directions": [
             "Dies ist ein generierter Text von RecipeBERT (ohne T5).",
-            "Fügen Sie Ihre Zutaten zusammen und kochen Sie es nach Belieben.",
-            "Das Laden des RecipeBERT-Modells war erfolgreich!"
-        ]
+            "Das Laden des RecipeBERT-Modells war erfolgreich!",
+            f"Basierend auf deinen Eingaben wurde '{ingredients_list[-1]}' als ähnlichste Zutat hinzugefügt." if len(ingredients_list) > 1 else "Keine zusätzliche Zutat hinzugefügt."
+        ],
+        "used_ingredients": ingredients_list # In diesem Mock-Fall sind alle "used"
     }
 
 
@@ -93,6 +112,7 @@ def process_recipe_request_logic(required_ingredients, available_ingredients, ma
     if not required_ingredients and not available_ingredients:
         return {"error": "Keine Zutaten angegeben"}
     try:
+        # Hier wird die neue find_best_ingredients verwendet
         optimized_ingredients = find_best_ingredients(
             required_ingredients, available_ingredients, max_ingredients
         )
@@ -104,7 +124,7 @@ def process_recipe_request_logic(required_ingredients, available_ingredients, ma
             'title': recipe['title'],
             'ingredients': recipe['ingredients'],
             'directions': recipe['directions'],
-            'used_ingredients': optimized_ingredients
+            'used_ingredients': optimized_ingredients # Jetzt wirklich die vom find_best_ingredients
         }
         return result
     except Exception as e:
@@ -117,7 +137,7 @@ class RecipeRequest(BaseModel):
     required_ingredients: list[str] = []
     available_ingredients: list[str] = []
     max_ingredients: int = 7
-    max_retries: int = 5
+    max_retries: int = 5 # Wird hier nicht direkt genutzt, aber im Payload beibehalten
     ingredients: list[str] = [] # Für Abwärtskompatibilität
 
 @app.post("/generate_recipe") # Der API-Endpunkt für Flutter
@@ -130,12 +150,12 @@ async def generate_recipe_api(request_data: RecipeRequest):
         final_required_ingredients,
         request_data.available_ingredients,
         request_data.max_ingredients,
-        request_data.max_retries
+        request_data.max_retries # max_retries wird nur an die Logik übergeben, aber nicht verwendet
     )
     return JSONResponse(content=result_dict)
 
 @app.get("/")
 async def read_root():
-    return {"message": "AI Recipe Generator API is running (RecipeBERT only)!"} # Angepasste Nachricht
+    return {"message": "AI Recipe Generator API is running (RecipeBERT only, 1 similar ingredient)!"} # Angepasste Nachricht
 
 print("INFO: FastAPI application script finished execution and defined 'app' variable.")