Update app.py

app.py

@@ -65,25 +65,20 @@ if page == "какая-то еще":
             outputs = model(**tokens)
         embeddings = outputs.last_hidden_state.mean(dim=1)
         return embeddings
-
-    # Чтение данных из файла
     df2 = pd.read_csv('data_with_embeddings.csv')
-
-    # Обработка пустых значений
-    df2['description_embedding'] = df2['description_embedding'].apply(lambda x: [] if pd.isna(x) else x)
-
-    # Объединение тензоров в один большой тензор
-    embeddings_tensor = torch.stack(df2['description_embedding'].apply(torch.tensor).tolist())
-
-    # Получение ввода пользователя
+    embeddings = pd.read_pickle('embeddings.pkl')
     user_input = st.text_area('Введите описание фильма')
-
-    # Код для получения вектора вложения ввода пользователя
     input_embedding = encode_description(user_input)
+    embeddings_tensor = torch.stack([torch.Tensor(ast.literal_eval(embedding_str)) for embedding_str in df2['description_embedding']]).numpy()
+
 
-    # Расчет косинусной схожести и рекомендации
+    # Рассчитайте косинусное сходство
     similarity_scores = cosine_similarity(input_embedding.view(1, -1).detach().numpy(), embeddings_tensor.reshape(embeddings_tensor.shape[0], -1))[0]
+
+    # Получение индексов отсортированных значений
     sorted_indices = similarity_scores.argsort()[::-1]
+
+    # Используйте индексы для извлечения строк из DataFrame
     recs = df2.iloc[sorted_indices[:10]].reset_index(drop=True)
     recs.index = recs.index + 1   
-    st.write(recs[['movie_title', 'description']])
+    st.write(recs[['movie_title', 'description']])