File size: 2,403 Bytes
33d0a0c ad32346 33d0a0c 5ae3f82 dd0583a 33d0a0c ad32346 5ae3f82 ad32346 dd0583a 5ae3f82 b9e623a 33d0a0c 642290f 33d0a0c 6aa9a9a 33d0a0c |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 |
import os
from glob import glob
from sentence_transformers import SentenceTransformer
import gradio as gr
import numpy as np
import faiss
# Cargar el modelo de Sentence Transformers
model_name = "quora-distilbert-multilingual"
model = SentenceTransformer(model_name)
# Funci贸n para vectorizar un texto
def vectorize_text(text):
return model.encode([text])[0]
# Obtener una lista de todos los archivos *.index en el directorio
archivos_indices = glob("*.index")
# Cargar todos los 铆ndices de Faiss
indices = []
nombres_archivos = [] # Lista para almacenar los nombres de los archivos
for archivo_index in archivos_indices:
index = faiss.read_index(archivo_index)
indices.append(index)
nombres_archivos.append(os.path.splitext(archivo_index)[0]) # Obtener el nombre sin la extensi贸n
# Funci贸n para predecir la similitud con cada 铆ndice
def predecir_similitud(texto):
resultados = []
umbral_similitud = 0.65
# Vectorizar el texto (usando la misma funci贸n que antes)
texto_vectorizado = vectorize_text(texto)
for i, (index, nombre_archivo) in enumerate(zip(indices, nombres_archivos)):
# Buscar similitud con Faiss
texto_vectorizado_np = np.array([texto_vectorizado], dtype=np.float32)
D, I = index.search(texto_vectorizado_np, 1) # Buscar el vector m谩s cercano
similitud = 1 - D[0][0] # Calcular similitud de coseno
# Comparar con el umbral y proporcionar el resultado
if similitud >= umbral_similitud:
resultado = (nombre_archivo, similitud)
resultados.append(resultado)
# Ordenar la lista de resultados por similitud
resultados_ordenados = sorted(resultados, key=lambda x: x[1], reverse=True)
# Construir la cadena de resultados
if resultados_ordenados:
resultados_texto = '\n'.join([f"{nombre} (similitud:{sim:.2f})" for nombre, sim in resultados_ordenados])
else:
resultados_texto = "No se han encontrado resultados"
return resultados_texto
# Crear la interfaz de Gradio con un bot贸n de "Predecir"
iface = gr.Interface(
fn=predecir_similitud,
inputs=gr.inputs.Textbox(default=""),
outputs=gr.outputs.Textbox(label="Argumentos"), # Usar multiple=True
live=False,
title="Argumentos",
description="Ingrese un texto y haga clic en 'Submit' para detectar Argumentos."
)
# Ejecutar la interfaz
iface.launch()
|