Spaces:
Sleeping
Sleeping
| import gradio as gr | |
| from transformers import pipeline | |
| from sentence_transformers import SentenceTransformer | |
| import faiss | |
| import numpy as np | |
| # --- Base documental: información sobre la biblioteca --- | |
| documentos = [ | |
| "La biblioteca abre de lunes a viernes de 8:00 a.m. a 6:00 p.m.", | |
| "Los estudiantes pueden prestar hasta 3 libros por 15 días.", | |
| "Puedes buscar libros en el catálogo en línea accediendo desde la página web institucional.", | |
| "No se permite comer ni beber dentro de la biblioteca.", | |
| "Hay salas de estudio grupal disponibles con reserva previa.", | |
| "La biblioteca cuenta con acceso a bases de datos académicas para estudiantes.", | |
| "Para renovar un libro, debes ingresar al sistema antes de la fecha de vencimiento.", | |
| "Se realizan talleres de lectura y escritura todos los miércoles a las 3 p.m.", | |
| "Los libros extraviados deben ser reportados inmediatamente al personal de la biblioteca.", | |
| "Los usuarios deben mantener el silencio dentro de las instalaciones." | |
| ] | |
| # --- Cargar modelo de embeddings y crear índice FAISS --- | |
| modelo_emb = SentenceTransformer('sentence-transformers/bert-base-nli-mean-tokens') | |
| embeddings_docs = modelo_emb.encode(documentos, convert_to_numpy=True) | |
| dim = embeddings_docs.shape[1] | |
| index = faiss.IndexFlatL2(dim) | |
| index.add(embeddings_docs) | |
| # --- Pipeline de pregunta-respuesta --- | |
| qa_pipeline = pipeline("question-answering", model="PlanTL-GOB-ES/roberta-base-bne-sqac") | |
| # --- Detectar saludos y frases comunes --- | |
| def respuesta_basica(texto): | |
| texto = texto.lower().strip() | |
| saludos = ["hola", "buenos días", "buenas tardes", "buenas noches", "qué tal", "hey", "buen día"] | |
| despedidas = ["adiós", "hasta luego", "nos vemos"] | |
| agradecimientos = ["gracias", "muchas gracias", "te lo agradezco"] | |
| if any(s in texto for s in saludos): | |
| return "¡Hola! ¿En qué puedo ayudarte con la biblioteca?" | |
| elif any(d in texto for d in despedidas): | |
| return "¡Hasta luego! No olvides devolver tus libros a tiempo 📚." | |
| elif any(a in texto for a in agradecimientos): | |
| return "¡De nada! Estoy aquí para ayudarte 😊." | |
| else: | |
| return None | |
| # --- Función de chatbot con manejo de frases comunes --- | |
| def chat_biblioteca(pregunta): | |
| respuesta_simple = respuesta_basica(pregunta) | |
| if respuesta_simple: | |
| return respuesta_simple | |
| # Si no es frase común, responder usando embeddings y modelo QA | |
| embedding = modelo_emb.encode([pregunta], convert_to_numpy=True) | |
| D, I = index.search(embedding, k=2) | |
| contexto = " ".join([documentos[i] for i in I[0]]) | |
| try: | |
| resultado = qa_pipeline(question=pregunta, context=contexto) | |
| respuesta = resultado["answer"] | |
| except: | |
| respuesta= "Lo siento, no pude procesar tu pregunta. ¿Puedes intentar reformularla?" | |
| return historial + [[mensaje, respuesta]] | |
| # --- Interfaz tipo chat oscuro --- | |
| gr.ChatInterface( | |
| fn=responder, | |
| title="📚 BiblioBot", | |
| description="¡Bienvenido a BiblioBot! Pregunta sobre libros, horarios o servicios de biblioteca.", | |
| theme="soft", | |
| examples=["¿Cuál es el horario?", "¿Puedo comer en la biblioteca?", "¿Qué pasa si pierdo un libro?"], | |
| retry_btn="Reintentar", | |
| clear_btn="Borrar historial", | |
| ).launch() | |