Update app.py

app.py

@@ -7,5 +7,79 @@ from sklearn.metrics.pairwise import cosine_similarity
 import numpy as np
 import zipfile
 
-print(os.getcwd())  # Stampa il percorso della directory corrente
-print(os.listdir())  # Mostra i file nella directory corrente
+# Percorso del file zip
+zip_path = '/mnt/data/en_core_web_sm.zip'  # o il percorso che hai trovato
+
+# Directory in cui estrarre il modello
+extraction_dir = '/mnt/data/en_core_web_sm'  # o il percorso di estrazione scelto
+
+# Estrai il file zip
+with zipfile.ZipFile(zip_path, 'r') as zip_ref:
+    zip_ref.extractall(extraction_dir)
+    
+# Carica il modello Spacy
+nlp = spacy.load(extraction_dir)
+
+
+# Carica il modello SentenceTransformer
+model = SentenceTransformer('sentence-transformers/all-mpnet-base-v2', device='cpu')
+
+# Preprocessamento manuale (carica il manuale da un file o base di dati)
+with open('testo.txt', 'r', encoding='utf-8') as file:
+    text = file.read()
+
+# Tokenizza il testo in frasi usando SpaCy
+doc = nlp(text)
+sentences = [sent.text for sent in doc.sents]  # Estrarre frasi dal testo
+
+# Crea gli embedding per il manuale
+embeddings = model.encode(sentences, batch_size=8, show_progress_bar=True)
+
+# Funzione per ottenere le frasi più rilevanti
+# Funzione per ottenere le frasi più rilevanti
+def find_relevant_sentences(query):
+    query_embedding = model.encode([query])
+    similarities = cosine_similarity(query_embedding, embeddings).flatten()
+
+    # Filtra i risultati in base alla similitudine
+    threshold = 0.2
+    filtered_results = [(idx, sim) for idx, sim in enumerate(similarities) if sim >= threshold]
+
+    if not filtered_results:  # Se nessun risultato supera la soglia
+        return ["No relevant sentences found."]
+
+    # Ordina i risultati per similitudine
+    filtered_results.sort(key=lambda x: x[1], reverse=True)
+
+    # Limita i risultati alle top_n frasi
+    top_n = 4
+    relevant_sentences = [sentences[idx] for idx, _ in filtered_results[:top_n]]
+
+    # Rimuove duplicati e segmenta in frasi
+    unique_sentences = list(dict.fromkeys(relevant_sentences))  # Mantiene l'ordine
+    doc = nlp(" ".join(unique_sentences))
+    grouped_results = [sent.text.strip() for sent in doc.sents]
+
+    return grouped_results
+
+
+examples = [
+    ["irresponsible use of the machine?"],
+    ["If I have a problem how can I get help? "],
+    ["precautions when using the cutting machine"],
+    ["How do I change the knife of the cutting machine?"]
+    ["Uso irresponsable de la máquina cortadora ?"]
+]
+
+# Interfaccia Gradio
+iface = gr.Interface(
+    fn=find_relevant_sentences, 
+    inputs=gr.Textbox(label="Insert your query"), 
+    outputs=gr.Textbox(label="Relevant sentences"),
+    examples=examples, 
+    title="Manual Querying System",
+    description="Enter a question about the machine, and this tool will find the most relevant sentences from the manual."
+)
+
+# Avvia l'app Gradio
+iface.launch()