import gradio as gr import torch import unicodedata import re import numpy as np from pathlib import Path from transformers import AutoTokenizer, AutoModel # AutoModelForCausalLM μπορεί να είναι πιο κατάλληλο για Instruct μοντέλα, αλλά για embeddings το AutoModel συχνά αρκεί. from sklearn.feature_extraction.text import HashingVectorizer from sklearn.preprocessing import normalize as sk_normalize import chromadb import joblib import pickle import scipy.sparse import textwrap import os import json # Για το διάβασμα του JSON κατά το setup import tqdm.auto as tq # Για progress bars κατά το setup # --------------------------- CONFIG για ChatbotVol108 (Meltemi) ----------------------------------- # --- Ρυθμίσεις Μοντέλου και Βάσης Δεδομένων --- MODEL_NAME = "ilsp/Meltemi-7B-Instruct-v1.5" # ΝΕΟ ΜΟΝΤΕΛΟ PERSISTENT_STORAGE_ROOT = Path("/data") # Για Hugging Face Spaces Persistent Storage (ή τοπικό path) # Προσαρμοσμένα paths για το νέο project και μοντέλο DB_DIR_APP = PERSISTENT_STORAGE_ROOT / "chroma_db_ChatbotVol108_Meltemi" COL_NAME = "collection_chatbotvol108_meltemi" ASSETS_DIR_APP = PERSISTENT_STORAGE_ROOT / "assets_ChatbotVol108_Meltemi" # Το dataset14.json πρέπει να υπάρχει στο root του Hugging Face Space repository σας DATA_PATH_FOR_SETUP = "./dataset14.json" # --------------------------------------------- # --- Ρυθμίσεις για Google Cloud Storage για τα PDF links --- GCS_BUCKET_NAME = "chatbotthesisihu" # Το δικό σας GCS Bucket Name GCS_PUBLIC_URL_PREFIX = f"https://storage.googleapis.com/{GCS_BUCKET_NAME}/" # ------------------------------------------------------------- # --- Παράμετροι Αναζήτησης και Μοντέλου --- CHUNK_SIZE = 512 # Μπορεί να αυξηθεί αν το context window του Meltemi είναι μεγαλύτερο, αλλά προσέξτε τη VRAM CHUNK_OVERLAP = 40 BATCH_EMB = 8 # Μειωμένο από 32. Προσαρμόστε ανάλογα με τη VRAM σας. Για 7B μοντέλα, ίσως χρειαστεί και μικρότερο (π.χ. 4 ή 8). ALPHA_BASE = 0.2 # Αυτές οι τιμές alpha ήταν βελτιστοποιημένες για το BERT. Μπορεί να χρειαστούν νέα βελτιστοποίηση. ALPHA_LONGQ = 0.35 DEVICE = "cuda" if torch.cuda.is_available() else "cpu" print(f"Running ChatbotVol108 on device: {DEVICE}") print(f"Using model: {MODEL_NAME}") if DEVICE == "cuda": print(f"CUDA Device Name: {torch.cuda.get_device_name(0)}") print(f"CUDA Device Capability: {torch.cuda.get_device_capability(0)}") # === ΛΟΓΙΚΗ ΔΗΜΙΟΥΡΓΙΑΣ ΒΑΣΗΣ ΚΑΙ ASSETS (Αν δεν υπάρχουν) === def setup_database_and_assets(): print("Checking if database and assets need to be created for ChatbotVol108 (Meltemi)...") run_setup = True if DB_DIR_APP.exists() and ASSETS_DIR_APP.exists() and (ASSETS_DIR_APP / "ids.pkl").exists(): try: client_check = chromadb.PersistentClient(path=str(DB_DIR_APP.resolve())) collection_check = client_check.get_collection(name=COL_NAME) if collection_check.count() > 0: print("✓ Database and assets appear to exist and collection is populated. Skipping setup.") run_setup = False else: print("Collection exists but is empty. Proceeding with setup.") if DB_DIR_APP.exists(): import shutil print(f"Attempting to clean up existing empty/corrupt DB directory: {DB_DIR_APP}") shutil.rmtree(DB_DIR_APP) except Exception as e_check: print(f"Database or collection check failed (Error: {e_check}). Proceeding with setup.") if DB_DIR_APP.exists(): import shutil print(f"Attempting to clean up existing corrupt DB directory: {DB_DIR_APP}") shutil.rmtree(DB_DIR_APP) if not run_setup: return True print(f"!!! Database/Assets not found or incomplete for ChatbotVol108 (Meltemi). Starting setup process...") print(f"!!! This may take a very long time, especially on the first run with Meltemi-7B !!!") ASSETS_DIR_APP.mkdir(parents=True, exist_ok=True) DB_DIR_APP.mkdir(parents=True, exist_ok=True) def _strip_acc_setup(s:str)->str: return ''.join(ch for ch in unicodedata.normalize('NFD', s) if not unicodedata.combining(ch)) _STOP_SETUP = {"σχετικο","σχετικά","με","και"} def _preprocess_setup(txt:str)->str: txt = _strip_acc_setup(txt.lower()) txt = re.sub(r"[^a-zα-ω0-9 ]", " ", txt) txt = re.sub(r"\s+", " ", txt).strip() return " ".join(w for w in txt.split() if w not in _STOP_SETUP) def _chunk_text_setup(text, tokenizer_setup): # Η λογική chunking παραμένει ίδια, βασίζεται στο tokenizer και CHUNK_SIZE token_ids = tokenizer_setup.encode(text, add_special_tokens=False) if len(token_ids) <= (CHUNK_SIZE - tokenizer_setup.model_max_length + tokenizer_setup.max_len_single_sentence): # Προσαρμογή για special tokens αν υπάρχουν return [text] ids_with_special_tokens = tokenizer_setup(text, truncation=False, padding=False)["input_ids"] effective_chunk_size = CHUNK_SIZE step = effective_chunk_size - CHUNK_OVERLAP chunks = [] for i in range(0, len(ids_with_special_tokens), step): current_chunk_ids = ids_with_special_tokens[i:i+effective_chunk_size] if not current_chunk_ids: break if len(chunks) > 0 and len(current_chunk_ids) < CHUNK_OVERLAP: if len(ids_with_special_tokens) - i < effective_chunk_size: pass else: break decoded_chunk = tokenizer_setup.decode(current_chunk_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True).strip() if decoded_chunk: chunks.append(decoded_chunk) return chunks if chunks else [text] # ΝΕΑ ΣΥΝΑΡΤΗΣΗ ΓΙΑ MEAN POOLING EMBEDDINGS (κατάλληλη για decoder-only models όπως το Meltemi) def _mean_pooling_embed_setup(texts, tokenizer_setup, model_setup, device_setup, bs=BATCH_EMB, max_length_embed=CHUNK_SIZE): out_embeddings = [] model_setup.eval() # Βεβαιωθείτε ότι το μοντέλο είναι σε eval mode for i in tq.tqdm(range(0, len(texts), bs), desc="Embedding texts for DB setup (Mean Pooling)"): batch_texts = texts[i:i+bs] # return_attention_mask=True είναι σημαντικό για το mean pooling enc = tokenizer_setup(batch_texts, padding=True, truncation=True, max_length=max_length_embed, return_tensors="pt", return_attention_mask=True).to(device_setup) with torch.no_grad(): model_output = model_setup(**enc) last_hidden_state = model_output.last_hidden_state attention_mask = enc['attention_mask'] # Mean Pooling: input_mask_expanded = attention_mask.unsqueeze(-1).expand(last_hidden_state.size()).float() sum_embeddings = torch.sum(last_hidden_state * input_mask_expanded, 1) sum_mask = torch.clamp(input_mask_expanded.sum(1), min=1e-9) # Αποφυγή διαίρεσης με μηδέν mean_pooled = sum_embeddings / sum_mask normalized_embeddings = torch.nn.functional.normalize(mean_pooled, p=2, dim=1) out_embeddings.append(normalized_embeddings.cpu()) return torch.cat(out_embeddings).numpy() print(f"⏳ (Setup) Loading Model ({MODEL_NAME}) and Tokenizer...") # Φόρτωση του Meltemi με torch_dtype=torch.float16 για εξοικονόμηση VRAM και trust_remote_code=True # Εάν αντιμετωπίζετε προβλήματα μνήμης, εξετάστε: # from transformers import BitsAndBytesConfig # quantization_config = BitsAndBytesConfig(load_in_8bit=True) # ή load_in_4bit=True # model_setup = AutoModel.from_pretrained(MODEL_NAME, device_map="auto", torch_dtype=torch.float16, trust_remote_code=True, quantization_config=quantization_config) # και προσθέστε 'bitsandbytes' στα requirements.txt try: tokenizer_setup = AutoTokenizer.from_pretrained(MODEL_NAME, trust_remote_code=True) # Αν το tokenizer δεν έχει padding token, ορίστε ένα: if tokenizer_setup.pad_token is None: tokenizer_setup.pad_token = tokenizer_setup.eos_token # Συνηθισμένη πρακτική για Causal LMs print("Tokenizer `pad_token` was None, set to `eos_token`.") model_setup = AutoModel.from_pretrained( MODEL_NAME, torch_dtype=torch.float16, # Σημαντικό για μεγάλα μοντέλα! trust_remote_code=True, # Απαιτείται για ορισμένα μοντέλα από το Hub # device_map="auto" # Χρησιμοποιήστε το αν έχετε πολλαπλές GPUs ή για καλύτερη διαχείριση μνήμης με accelerate ).to(DEVICE).eval() # .eval() είναι σημαντικό print("✓ (Setup) Model and Tokenizer loaded.") except Exception as e: print(f"!!! CRITICAL SETUP ERROR: Could not load model or tokenizer: {e}") print("!!! Make sure you have enough VRAM, `trust_remote_code=True` is set, and you are logged in to Hugging Face if needed.") return False print(f"⏳ (Setup) Reading & chunking JSON data from {DATA_PATH_FOR_SETUP}...") if not Path(DATA_PATH_FOR_SETUP).exists(): print(f"!!! CRITICAL SETUP ERROR: Dataset file {DATA_PATH_FOR_SETUP} not found! Please upload it.") return False with open(DATA_PATH_FOR_SETUP, encoding="utf-8") as f: docs_json = json.load(f) raw_chunks_setup, pre_chunks_setup, metas_setup, ids_list_setup = [], [], [], [] for d_setup in tq.tqdm(docs_json, desc="(Setup) Processing documents"): doc_text = d_setup.get("text") if not doc_text: continue chunked_doc_texts = _chunk_text_setup(doc_text, tokenizer_setup) if not chunked_doc_texts: continue for idx, chunk in enumerate(chunked_doc_texts): if not chunk.strip(): continue raw_chunks_setup.append(chunk) pre_chunks_setup.append(_preprocess_setup(chunk)) # Το preprocess παραμένει το ίδιο για lexical search metas_setup.append({"id": d_setup["id"], "title": d_setup["title"], "url": d_setup["url"], "chunk_num": idx+1, "total_chunks": len(chunked_doc_texts)}) ids_list_setup.append(f'{d_setup["id"]}_c{idx+1}') print(f" → (Setup) Total chunks created: {len(raw_chunks_setup):,}") if not raw_chunks_setup: print("!!! CRITICAL SETUP ERROR: No chunks were created from the dataset.") return False print("⏳ (Setup) Building lexical matrices (TF-IDF)...") # Αυτό παραμένει ίδιο char_vec_setup = HashingVectorizer(analyzer="char_wb", ngram_range=(2,5), n_features=2**20, norm=None, alternate_sign=False, binary=True) word_vec_setup = HashingVectorizer(analyzer="word", ngram_range=(1,2), n_features=2**19, norm=None, alternate_sign=False, binary=True) X_char_setup = sk_normalize(char_vec_setup.fit_transform(pre_chunks_setup)) X_word_setup = sk_normalize(word_vec_setup.fit_transform(pre_chunks_setup)) print("✓ (Setup) Lexical matrices built.") print(f"⏳ (Setup) Setting up ChromaDB client at {DB_DIR_APP}...") client_setup = chromadb.PersistentClient(path=str(DB_DIR_APP.resolve())) print(f" → (Setup) Creating collection: {COL_NAME}") try: client_setup.delete_collection(COL_NAME) except: pass col_setup = client_setup.get_or_create_collection(COL_NAME, metadata={"hnsw:space":"cosine"}) # cosine είναι καλή επιλογή για normalized embeddings print("⏳ (Setup) Encoding chunks (using mean pooling) and streaming to ChromaDB...") # Χρήση της νέας συνάρτησης embedding # Τα pre_chunks_setup είναι τα κείμενα που θα γίνουν embed. Για το Meltemi, είναι καλύτερα να χρησιμοποιήσουμε τα raw_chunks_setup (ή τα pre_chunks_setup αν η προεπεξεργασία είναι ελαφριά) # Εδώ θα χρησιμοποιήσω τα raw_chunks_setup για τα embeddings, καθώς τα LLMs συχνά επωφελούνται από το πλήρες, μη επεξεργασμένο κείμενο. # Αν τα pre_chunks είναι πολύ διαφορετικά, μπορεί να επηρεάσει την ποιότητα. Για τώρα, ας δοκιμάσουμε με raw_chunks. # ΣΗΜΑΝΤΙΚΟ: Βεβαιωθείτε ότι τα embeddings αντιστοιχούν στα 'documents' που αποθηκεύετε. # Εάν τα 'documents' στη Chroma είναι τα pre_chunks, τότε τα embeddings πρέπει να είναι από τα pre_chunks. # Εδώ, το col_setup.add() χρησιμοποιεί batch_pre_chunks ως documents, οπότε και τα embeddings πρέπει να είναι από αυτά. # Δημιουργία embeddings σε batches all_embeddings_list = [] # Χρήση της _mean_pooling_embed_setup. Τα κείμενα για embedding πρέπει να είναι τα ίδια που θα αποθηκευτούν ως "documents" στη βάση. # Ο αρχικός κώδικας έκανε embed τα pre_chunks. Θα διατηρήσουμε αυτό για συνέπεια, αλλά σημειώστε ότι για LLMs, τα raw chunks μπορεί να είναι καλύτερα. chunk_embeddings_np = _mean_pooling_embed_setup(pre_chunks_setup, tokenizer_setup, model_setup, DEVICE, bs=BATCH_EMB, max_length_embed=CHUNK_SIZE) print(f" → (Setup) Generated {chunk_embeddings_np.shape[0]} embeddings. Adding to ChromaDB in batches...") # Προσθήκη στη ChromaDB σε μικρότερα batches για να αποφευχθούν προβλήματα με μεγάλα payloads db_add_batch_size = 5000 # Μπορείτε να προσαρμόσετε αυτό το batch size for i in tq.tqdm(range(0, len(ids_list_setup), db_add_batch_size), desc="(Setup) Adding to ChromaDB"): start_idx_db = i end_idx_db = min(i + db_add_batch_size, len(ids_list_setup)) batch_ids_db = ids_list_setup[start_idx_db:end_idx_db] batch_embeddings_db = chunk_embeddings_np[start_idx_db:end_idx_db].tolist() batch_documents_db = pre_chunks_setup[start_idx_db:end_idx_db] # Αποθηκεύουμε τα pre_chunks batch_metadatas_db = metas_setup[start_idx_db:end_idx_db] if not batch_ids_db: continue col_setup.add( embeddings=batch_embeddings_db, documents=batch_documents_db, # Αυτά είναι τα κείμενα που αντιστοιχούν στα embeddings metadatas=batch_metadatas_db, ids=batch_ids_db ) final_count = col_setup.count() print(f"✓ (Setup) Index built and stored in ChromaDB. Final count: {final_count}") if final_count != len(ids_list_setup): print(f"!!! WARNING (Setup): Mismatch after setup! Expected {len(ids_list_setup)} items, got {final_count}") print(f"💾 (Setup) Saving assets to {ASSETS_DIR_APP}...") joblib.dump(char_vec_setup, ASSETS_DIR_APP / "char_vectorizer.joblib") joblib.dump(word_vec_setup, ASSETS_DIR_APP / "word_vectorizer.joblib") scipy.sparse.save_npz(ASSETS_DIR_APP / "X_char_sparse.npz", X_char_setup) scipy.sparse.save_npz(ASSETS_DIR_APP / "X_word_sparse.npz", X_word_setup) with open(ASSETS_DIR_APP / "pre_chunks.pkl", "wb") as f: pickle.dump(pre_chunks_setup, f) with open(ASSETS_DIR_APP / "raw_chunks.pkl", "wb") as f: pickle.dump(raw_chunks_setup, f) with open(ASSETS_DIR_APP / "ids.pkl", "wb") as f: pickle.dump(ids_list_setup, f) with open(ASSETS_DIR_APP / "metas.pkl", "wb") as f: pickle.dump(metas_setup, f) print("✓ (Setup) Assets saved.") del tokenizer_setup, model_setup, docs_json, raw_chunks_setup, pre_chunks_setup, metas_setup, ids_list_setup, chunk_embeddings_np del char_vec_setup, word_vec_setup, X_char_setup, X_word_setup, client_setup, col_setup if DEVICE == "cuda": torch.cuda.empty_cache() print("🎉 (Setup) Database and assets creation process for ChatbotVol108 (Meltemi) complete!") return True # ================================================================== setup_successful = setup_database_and_assets() # ----------------------- PRE-/POST HELPERS (για την εφαρμογή Gradio) ---------------------------- # Αυτά παραμένουν ίδια καθώς αφορούν το lexical κομμάτι και το string normalization def strip_acc(s: str) -> str: return ''.join(ch for ch in unicodedata.normalize('NFD', s) if not unicodedata.combining(ch)) STOP = {"σχετικο", "σχετικα", "με", "και"} def preprocess(txt: str) -> str: txt = strip_acc(txt.lower()) txt = re.sub(r"[^a-zα-ω0-9 ]", " ", txt) txt = re.sub(r"\s+", " ", txt).strip() return " ".join(w for w in txt.split() if w not in STOP) # ΝΕΑ ΣΥΝΑΡΤΗΣΗ ΓΙΑ MEAN POOLING EMBEDDINGS ΓΙΑ ΤΟ GRADIO APP def mean_pooling_embed_app(texts, tokenizer_app, model_app, device_app, max_length_embed=CHUNK_SIZE): # Βεβαιωθείτε ότι το μοντέλο είναι σε eval mode (αν και θα έπρεπε ήδη να είναι) model_app.eval() # texts εδώ είναι μια λίστα με ένα string (το query) enc = tokenizer_app(texts, padding=True, truncation=True, max_length=max_length_embed, return_tensors="pt", return_attention_mask=True).to(device_app) with torch.no_grad(): model_output = model_app(**enc) last_hidden_state = model_output.last_hidden_state attention_mask = enc['attention_mask'] input_mask_expanded = attention_mask.unsqueeze(-1).expand(last_hidden_state.size()).float() sum_embeddings = torch.sum(last_hidden_state * input_mask_expanded, 1) sum_mask = torch.clamp(input_mask_expanded.sum(1), min=1e-9) mean_pooled = sum_embeddings / sum_mask normalized_embeddings = torch.nn.functional.normalize(mean_pooled, p=2, dim=1) return normalized_embeddings.cpu().numpy() # ---------------------- LOAD MODELS & DATA (Για την εφαρμογή Gradio) -------------------- tok_app = None # Μετονομασία για σαφήνεια model_app = None # Μετονομασία για σαφήνεια char_vec = None word_vec = None X_char = None X_word = None pre_chunks_app = None # Μετονομασία raw_chunks_app = None # Μετονομασία ids_app = None # Μετονομασία metas_app = None # Μετονομασία col_app = None # Μετονομασία if setup_successful: print(f"⏳ Loading Model ({MODEL_NAME}) and Tokenizer for Gradio App (ChatbotVol108)...") try: tok_app = AutoTokenizer.from_pretrained(MODEL_NAME, trust_remote_code=True) if tok_app.pad_token is None: tok_app.pad_token = tok_app.eos_token print("App Tokenizer `pad_token` was None, set to `eos_token`.") # Φόρτωση με τις ίδιες παραμέτρους όπως στο setup model_app = AutoModel.from_pretrained( MODEL_NAME, torch_dtype=torch.float16, trust_remote_code=True, # device_map="auto" # Εξετάστε το για καλύτερη διαχείριση ).to(DEVICE).eval() print("✓ Model and tokenizer loaded for Gradio App.") except Exception as e: print(f"CRITICAL ERROR loading model/tokenizer for Gradio App: {e}") setup_successful = False if setup_successful: print(f"⏳ Loading TF-IDF/Assets from {ASSETS_DIR_APP} for Gradio App...") try: char_vec = joblib.load(ASSETS_DIR_APP / "char_vectorizer.joblib") word_vec = joblib.load(ASSETS_DIR_APP / "word_vectorizer.joblib") X_char = scipy.sparse.load_npz(ASSETS_DIR_APP / "X_char_sparse.npz") X_word = scipy.sparse.load_npz(ASSETS_DIR_APP / "X_word_sparse.npz") with open(ASSETS_DIR_APP / "pre_chunks.pkl", "rb") as f: pre_chunks_app = pickle.load(f) with open(ASSETS_DIR_APP / "raw_chunks.pkl", "rb") as f: raw_chunks_app = pickle.load(f) with open(ASSETS_DIR_APP / "ids.pkl", "rb") as f: ids_app = pickle.load(f) with open(ASSETS_DIR_APP / "metas.pkl", "rb") as f: metas_app = pickle.load(f) print("✓ TF-IDF/Assets loaded for Gradio App.") except Exception as e: print(f"CRITICAL ERROR loading TF-IDF/Assets for Gradio App: {e}") setup_successful = False if setup_successful: print(f"⏳ Connecting to ChromaDB at {DB_DIR_APP} for Gradio App...") try: client_app = chromadb.PersistentClient(path=str(DB_DIR_APP.resolve())) col_app = client_app.get_collection(COL_NAME) print(f"✓ Connected to ChromaDB. Collection '{COL_NAME}' count: {col_app.count()}") if col_app.count() == 0 and (ids_app and len(ids_app) > 0): print(f"!!! CRITICAL WARNING: ChromaDB collection '{COL_NAME}' is EMPTY but assets were loaded. Setup might have failed to populate DB correctly.") setup_successful = False except Exception as e: print(f"CRITICAL ERROR connecting to ChromaDB or getting collection for Gradio App: {e}") setup_successful = False else: print("!!! Setup process failed or was skipped for ChatbotVol108. Gradio app will not function correctly. !!!") # ---------------------- HYBRID SEARCH (Κύρια Λογική) --- def hybrid_search_gradio(query, k=5): if not setup_successful or not ids_app or not col_app or not model_app or not tok_app or not raw_chunks_app or not metas_app or not pre_chunks_app: # Ελέγχουμε και τα raw_chunks, metas return "Σφάλμα: Η εφαρμογή δεν αρχικοποιήθηκε σωστά. Τα δεδομένα ή το μοντέλο δεν φορτώθηκαν. Ελέγξτε τα logs εκκίνησης." if not query.strip(): return "Παρακαλώ εισάγετε μια ερώτηση." q_pre = preprocess(query) # Για το lexical κομμάτι words = q_pre.split() alpha = ALPHA_LONGQ if len(words) > 30 else ALPHA_BASE # Οι τιμές alpha μπορεί να χρειάζονται tuning για το Meltemi # Semantic Search Part (Meltemi Embeddings) # Χρήση της νέας συνάρτησης mean_pooling_embed_app # Το query για το embedding πρέπει να είναι το raw query ή μια ελαφρώς καθαρισμένη έκδοση, όχι απαραίτητα το q_pre που είναι για lexical. # Εδώ, για συνέπεια με το πώς δημιουργήθηκαν τα embeddings των chunks (από pre_chunks_setup), θα κάνουμε embed το q_pre. q_emb_np = mean_pooling_embed_app([q_pre], tok_app, model_app, DEVICE, max_length_embed=CHUNK_SIZE) # Το query είναι το q_pre q_emb_list = q_emb_np.tolist() try: # Το n_results για το semantic search μπορεί να είναι μεγαλύτερο για να δώσει περισσότερες επιλογές στο re-ranking sem_results_count = min(k * 30, len(ids_app)) if ids_app else k * 30 if sem_results_count <=0: sem_results_count = k # Fallback sem_results = col_app.query(query_embeddings=q_emb_list, n_results=sem_results_count, include=["distances"]) except Exception as e: print(f"ERROR during ChromaDB query in hybrid_search_gradio: {type(e).__name__}: {e}") return "Σφάλμα κατά την σημασιολογική αναζήτηση. Επικοινωνήστε με τον διαχειριστή." sem_sims = {doc_id: 1 - dist for doc_id, dist in zip(sem_results["ids"][0], sem_results["distances"][0])} # Lexical Search Part (TF-IDF - παραμένει ίδιο) # Το `exact_ids_set` πρέπει να ψάχνει στα `pre_chunks_app` exact_ids_set = {ids_app[i] for i, t in enumerate(pre_chunks_app) if q_pre in t} q_char_sparse = char_vec.transform([q_pre]) q_char_normalized = sk_normalize(q_char_sparse) char_sim_scores = (q_char_normalized @ X_char.T).toarray().flatten() q_word_sparse = word_vec.transform([q_pre]) q_word_normalized = sk_normalize(q_word_sparse) word_sim_scores = (q_word_normalized @ X_word.T).toarray().flatten() lex_sims = {} for idx, (c_score, w_score) in enumerate(zip(char_sim_scores, word_sim_scores)): if c_score > 0 or w_score > 0: if idx < len(ids_app): lex_sims[ids_app[idx]] = 0.85 * c_score + 0.15 * w_score # Βαθμολόγηση lexical else: print(f"Warning (hybrid_search): Lexical score index {idx} out of bounds for ids_app list (len: {len(ids_app)}).") # Hybrid Re-ranking all_chunk_ids_set = set(sem_sims.keys()) | set(lex_sims.keys()) | exact_ids_set scored = [] for chunk_id_key in all_chunk_ids_set: s = alpha * sem_sims.get(chunk_id_key, 0.0) + (1 - alpha) * lex_sims.get(chunk_id_key, 0.0) if chunk_id_key in exact_ids_set: s = 1.0 # Boost για ακριβή ταίριασμα scored.append((chunk_id_key, s)) scored.sort(key=lambda x: x[1], reverse=True) # Format Output hits_output = [] seen_doc_main_ids = set() for chunk_id_val, score_val in scored: try: idx_in_lists = ids_app.index(chunk_id_val) except ValueError: print(f"Warning (hybrid_search): chunk_id '{chunk_id_val}' not found in loaded ids_app. Skipping.") continue doc_meta = metas_app[idx_in_lists] doc_main_id = doc_meta['id'] if doc_main_id in seen_doc_main_ids: continue # Εμφάνιση μόνο του πιο σχετικού chunk ανά κύριο έγγραφο original_url_from_meta = doc_meta.get('url', '#') pdf_gcs_url = "#" pdf_filename_display = "N/A" if original_url_from_meta and original_url_from_meta != '#': pdf_filename_extracted = os.path.basename(original_url_from_meta) if pdf_filename_extracted and pdf_filename_extracted.lower().endswith(".pdf"): pdf_gcs_url = f"{GCS_PUBLIC_URL_PREFIX}{pdf_filename_extracted}" pdf_filename_display = pdf_filename_extracted elif pdf_filename_extracted: pdf_filename_display = "Source is not a PDF" # Χρήση raw_chunks_app για το snippet hits_output.append({ "score": score_val, "title": doc_meta.get('title', 'N/A'), "snippet": raw_chunks_app[idx_in_lists][:700] + " ...", # Αυξημένο μήκος snippet "original_url_meta": original_url_from_meta, "pdf_serve_url": pdf_gcs_url, "pdf_filename_display": pdf_filename_display }) seen_doc_main_ids.add(doc_main_id) if len(hits_output) >= k: break if not hits_output: return "Δεν βρέθηκαν σχετικά αποτελέσματα." output_md = f"Βρέθηκαν **{len(hits_output)}** σχετικά αποτελέσματα (με χρήση Meltemi-7B):\n\n" for hit in hits_output: output_md += f"### {hit['title']} (Score: {hit['score']:.3f})\n" snippet_wrapped = textwrap.fill(hit['snippet'].replace("\n", " "), width=100) output_md += f"**Απόσπασμα:** {snippet_wrapped}\n" if hit['pdf_serve_url'] and hit['pdf_serve_url'] != '#': output_md += f"**Πηγή (PDF):** {hit['pdf_filename_display']}\n" elif hit['original_url_meta'] and hit['original_url_meta'] != '#': output_md += f"**Πηγή (αρχικό από metadata):** [{hit['original_url_meta']}]({hit['original_url_meta']})\n" output_md += "---\n" return output_md # ---------------------- GRADIO INTERFACE ----------------------------------- print("🚀 Launching Gradio Interface for Meltemi") # Ενημέρωση τίτλων και περιγραφών για το ChatbotVol108 και το Meltemi iface = gr.Interface( fn=hybrid_search_gradio, inputs=gr.Textbox(lines=3, placeholder="Γράψε την ερώτησή σου εδώ...", label=f"Ερώτηση προς τον βοηθό (Μοντέλο: {MODEL_NAME.split('/')[-1]}):"), outputs=gr.Markdown(label="Απαντήσεις από τα έγγραφα:", rtl=False, sanitize_html=False), # sanitize_html=False επιτρέπει τα links title=f"🏛️ Ελληνικό Chatbot Υβριδικής Αναζήτησης (Meltemi - {MODEL_NAME.split('/')[-1]})", description=(f"Πληκτρολογήστε την ερώτησή σας για αναζήτηση. Χρησιμοποιεί το μοντέλο: {MODEL_NAME}.\n" "Τα PDF ανοίγουν από Google Cloud Storage σε νέα καρτέλα."), allow_flagging="never", examples=[ # Μπορείτε να προσαρμόσετε τα παραδείγματα ["Τεχνολογίας τροφίμων;", 5], ["Αμπελουργίας και οινολογίας", 3], ["Ποιες θέσεις αφορούν διδάσκοντες στο Τμήμα Νοσηλευτικής;", 5] ], ) if __name__ == '__main__': if not setup_successful: print("ERROR: Setup was not successful. The Gradio application might not work as expected.") # Θα μπορούσατε να εμφανίσετε ένα μήνυμα σφάλματος και στο Gradio interface αν το setup απέτυχε # ή να μην κάνετε launch την εφαρμογή. Για τώρα, απλά τυπώνει στο console. iface.launch()