Update app.py

app.py

@@ -7,68 +7,5 @@ from sklearn.metrics.pairwise import cosine_similarity
 import numpy as np
 import zipfile
 
-
-# Percorso del file ZIP
-zip_path = '/home/user/app/en_core_web_sm-3.0.0.zip'  # Assicurati che il percorso sia corretto
-
-# Verifica se il file esiste
-if os.path.exists(zip_path):
-    # Directory di estrazione
-    extract_dir = '/home/user/app/en_core_web_sm'  # Dove vuoi estrarre il modello
-    
-    # Estrai il file ZIP
-    with zipfile.ZipFile(zip_path, 'r') as zip_ref:
-        zip_ref.extractall(extract_dir)
-
-    # Carica il modello Spacy
-    spacy.cli.link(extract_dir, 'en_core_web_sm')
-else:
-    print(f"Il file {zip_path} non è stato trovato!")
-
-# Carica il modello
-nlp = spacy.load(extract_dir)
-#nlp = spacy.load('en_core_web_sm')
-
-# 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
-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 = 0.5
-    filtered_results = [(idx, sim) for idx, sim in enumerate(similarities) if sim >= threshold]
-
-    # Ordina i risultati per similitudine
-    filtered_results.sort(key=lambda x: x[1], reverse=True)
-
-    # Ottieni le frasi più rilevanti
-    top_n = 4
-    relevant_sentences = [sentences[idx] for idx, _ in filtered_results[:top_n]]
-    
-    return relevant_sentences
-
-# Interfaccia Gradio
-iface = gr.Interface(
-    fn=find_relevant_sentences, 
-    inputs=gr.Textbox(label="Insert your query"), 
-    outputs=gr.Textbox(label="Relevant sentences"),
-    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()
+print(os.getcwd())  # Stampa il percorso della directory corrente
+print(os.listdir())  # Mostra i file nella directory corrente