File size: 26,217 Bytes
9c52fcd |
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 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 |
{
"cells": [
{
"cell_type": "code",
"execution_count": 1,
"metadata": {},
"outputs": [
{
"name": "stderr",
"output_type": "stream",
"text": [
"/Users/valeriaalesnikova/Desktop/bootcamp/ghjtrn/smart_book_search/.venv/lib/python3.11/site-packages/tqdm/auto.py:21: TqdmWarning: IProgress not found. Please update jupyter and ipywidgets. See https://ipywidgets.readthedocs.io/en/stable/user_install.html\n",
" from .autonotebook import tqdm as notebook_tqdm\n"
]
}
],
"source": [
"import torch\n",
"from transformers import AutoTokenizer, AutoModel\n",
"import pandas as pd\n",
"import numpy as np\n",
"from sklearn.metrics.pairwise import cosine_similarity\n",
"import faiss\n",
"from sentence_transformers import util"
]
},
{
"cell_type": "code",
"execution_count": 2,
"metadata": {},
"outputs": [],
"source": [
"# Загрузка модели и токенизатора BERT\n",
"model_name = \"cointegrated/rubert-tiny2\"\n",
"tokenizer = AutoTokenizer.from_pretrained(model_name)\n",
"model = AutoModel.from_pretrained(model_name)"
]
},
{
"cell_type": "code",
"execution_count": 4,
"metadata": {},
"outputs": [
{
"data": {
"text/html": [
"<div>\n",
"<style scoped>\n",
" .dataframe tbody tr th:only-of-type {\n",
" vertical-align: middle;\n",
" }\n",
"\n",
" .dataframe tbody tr th {\n",
" vertical-align: top;\n",
" }\n",
"\n",
" .dataframe thead th {\n",
" text-align: right;\n",
" }\n",
"</style>\n",
"<table border=\"1\" class=\"dataframe\">\n",
" <thead>\n",
" <tr style=\"text-align: right;\">\n",
" <th></th>\n",
" <th>Unnamed: 0</th>\n",
" <th>page_url</th>\n",
" <th>image_url</th>\n",
" <th>author</th>\n",
" <th>title</th>\n",
" <th>annotation</th>\n",
" <th>cleaned_text</th>\n",
" <th>lemmatized_text</th>\n",
" <th>cleaned_title</th>\n",
" <th>text_length</th>\n",
" </tr>\n",
" </thead>\n",
" <tbody>\n",
" <tr>\n",
" <th>0</th>\n",
" <td>0</td>\n",
" <td>https://www.biblio-globus.ru//product/10957168</td>\n",
" <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
" <td>Маринина А.</td>\n",
" <td>Ричард Третий и Генрих Восьмой глазами Шекспира</td>\n",
" <td>Расследование жизни и деяний двух самых опороч...</td>\n",
" <td>расследование жизни деяний самых опороченных в...</td>\n",
" <td>расследование жизнь деяние самый опорочить воз...</td>\n",
" <td>ричард третий и генрих восьмой глазами ше...</td>\n",
" <td>1046</td>\n",
" </tr>\n",
" <tr>\n",
" <th>1</th>\n",
" <td>1</td>\n",
" <td>https://www.biblio-globus.ru//product/10997075</td>\n",
" <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
" <td>Михалкова Е.И.</td>\n",
" <td>Знак истинного пути</td>\n",
" <td>Сыщики Макар Илюшин и Сергей Бабкин расследуют...</td>\n",
" <td>сыщики макар илюшин сергей бабкин расследуют п...</td>\n",
" <td>сыщик макар илюшин сергей бабкин расследовать ...</td>\n",
" <td>знак истинного пути</td>\n",
" <td>242</td>\n",
" </tr>\n",
" <tr>\n",
" <th>2</th>\n",
" <td>2</td>\n",
" <td>https://www.biblio-globus.ru//product/10941892</td>\n",
" <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
" <td>Маринина А.</td>\n",
" <td>Генрих Шестой глазами Шекспира</td>\n",
" <td>Генрих Шестой – самая трагическая фигура на ан...</td>\n",
" <td>генрих самая трагическая фигура английском пре...</td>\n",
" <td>генрих самый трагический фигура английский пре...</td>\n",
" <td>генрих шестой глазами шекспира</td>\n",
" <td>1005</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3</th>\n",
" <td>3</td>\n",
" <td>https://www.biblio-globus.ru//product/10978116</td>\n",
" <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
" <td>Маринина А.</td>\n",
" <td>Иоанн Безземельный, Эдуард Третий и Ричард Вто...</td>\n",
" <td>Истории трех знаменитых королей под одной обло...</td>\n",
" <td>истории трех знаменитых королей обложкой посво...</td>\n",
" <td>история три знаменитый король обложка посвоему...</td>\n",
" <td>иоанн безземельный эдуард третий и ричар...</td>\n",
" <td>1050</td>\n",
" </tr>\n",
" <tr>\n",
" <th>4</th>\n",
" <td>4</td>\n",
" <td>https://www.biblio-globus.ru//product/10845007</td>\n",
" <td>https://static1.bgshop.ru/extraimagehandler.as...</td>\n",
" <td>Маринина А.</td>\n",
" <td>Шпаргалка для ленивых любителей истории. Корол...</td>\n",
" <td>Первая книга в необычном для Александры Марини...</td>\n",
" <td>первая необычном александры марининой жанре по...</td>\n",
" <td>первый необычный александра маринин жанр попул...</td>\n",
" <td>шпаргалка для ленивых любителей истории. кор...</td>\n",
" <td>598</td>\n",
" </tr>\n",
" <tr>\n",
" <th>...</th>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" <td>...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3590</th>\n",
" <td>3935</td>\n",
" <td>Преступления продолжаются\\</td>\n",
" <td>и количество трупов в виде мумий растет. Элиз...</td>\n",
" <td>которая повлекла за собой нечто более зловещее\\</td>\n",
" <td>чем она могла себе представить. Ее репортажи ...</td>\n",
" <td>и каждая новая догадка обличает богатых и вли...</td>\n",
" <td>новая догадка обличает богатых влиятельных гра...</td>\n",
" <td>новый догадка обличать богатый влиятельный гра...</td>\n",
" <td>чем она могла себе представить. ее репортажи...</td>\n",
" <td>144</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3591</th>\n",
" <td>3953</td>\n",
" <td>https://www.biblio-globus.ru//product/10958255</td>\n",
" <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
" <td>Кинг С.</td>\n",
" <td>Извлечение троих: из цикла \\\"Темная Башня\\\"</td>\n",
" <td>Цикл «Темная Башня» — это opus magnum — лучшая...</td>\n",
" <td>цикл темная башня лучшая стивена кинга история...</td>\n",
" <td>цикл тёмный башня хороший стивен кинг история ...</td>\n",
" <td>извлечение троих: из цикла \\\" темная башня\\\"</td>\n",
" <td>85</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3592</th>\n",
" <td>3954</td>\n",
" <td>Юный Роланд — последний благородный рыцарь в м...</td>\n",
" <td>«сдвинувшемся с места». Ему во что бы то ни с...</td>\n",
" <td>краеугольный камень мироздания. Но прежде Рол...</td>\n",
" <td>как говорят карты Таро\\</td>\n",
" <td>в современную Америку на поиски помощников. В...</td>\n",
" <td>современную америку поиски помощников смогут п...</td>\n",
" <td>современный америка поиск помощник смочь проти...</td>\n",
" <td>как говорят карты таро\\</td>\n",
" <td>92</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3593</th>\n",
" <td>3962</td>\n",
" <td>Антиквар изучает рукопись\\</td>\n",
" <td>а в городе происходят загадочные и порой откр...</td>\n",
" <td>оживают обезглавленные мертвецы\\</td>\n",
" <td>улицы наполняются толпами зомби. И похоже на то\\</td>\n",
" <td>что главной целью нечисти становится именно К...</td>\n",
" <td>главной целью нечисти становится кирилл неболь...</td>\n",
" <td>главный цель нечисть становиться кирилл неболь...</td>\n",
" <td>улицы наполняются толпами зомби. и похоже на...</td>\n",
" <td>181</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3594</th>\n",
" <td>3972</td>\n",
" <td>Четверо подростков из небольшого городишка реш...</td>\n",
" <td>которое хочет уничтожить все живое и возродит...</td>\n",
" <td>старше самой Евы. И именно ребятам теперь пре...</td>\n",
" <td>несмотря на их возраст и ужасы\\</td>\n",
" <td>противостоящие им. На карту поставлено все: ж...</td>\n",
" <td>противостоящие карту поставлено жизни души чел...</td>\n",
" <td>противостоящий карта поставить жизнь душа чело...</td>\n",
" <td>несмотря на их возраст и ужасы\\</td>\n",
" <td>89</td>\n",
" </tr>\n",
" </tbody>\n",
"</table>\n",
"<p>3595 rows × 10 columns</p>\n",
"</div>"
],
"text/plain": [
" Unnamed: 0 page_url \\\n",
"0 0 https://www.biblio-globus.ru//product/10957168 \n",
"1 1 https://www.biblio-globus.ru//product/10997075 \n",
"2 2 https://www.biblio-globus.ru//product/10941892 \n",
"3 3 https://www.biblio-globus.ru//product/10978116 \n",
"4 4 https://www.biblio-globus.ru//product/10845007 \n",
"... ... ... \n",
"3590 3935 Преступления продолжаются\\ \n",
"3591 3953 https://www.biblio-globus.ru//product/10958255 \n",
"3592 3954 Юный Роланд — последний благородный рыцарь в м... \n",
"3593 3962 Антиквар изучает рукопись\\ \n",
"3594 3972 Четверо подростков из небольшого городишка реш... \n",
"\n",
" image_url \\\n",
"0 https://static1.bgshop.ru/imagehandler.ashx?fi... \n",
"1 https://static1.bgshop.ru/imagehandler.ashx?fi... \n",
"2 https://static1.bgshop.ru/imagehandler.ashx?fi... \n",
"3 https://static1.bgshop.ru/imagehandler.ashx?fi... \n",
"4 https://static1.bgshop.ru/extraimagehandler.as... \n",
"... ... \n",
"3590 и количество трупов в виде мумий растет. Элиз... \n",
"3591 https://static1.bgshop.ru/imagehandler.ashx?fi... \n",
"3592 «сдвинувшемся с места». Ему во что бы то ни с... \n",
"3593 а в городе происходят загадочные и порой откр... \n",
"3594 которое хочет уничтожить все живое и возродит... \n",
"\n",
" author \\\n",
"0 Маринина А. \n",
"1 Михалкова Е.И. \n",
"2 Маринина А. \n",
"3 Маринина А. \n",
"4 Маринина А. \n",
"... ... \n",
"3590 которая повлекла за собой нечто более зловещее\\ \n",
"3591 Кинг С. \n",
"3592 краеугольный камень мироздания. Но прежде Рол... \n",
"3593 оживают обезглавленные мертвецы\\ \n",
"3594 старше самой Евы. И именно ребятам теперь пре... \n",
"\n",
" title \\\n",
"0 Ричард Третий и Генрих Восьмой глазами Шекспира \n",
"1 Знак истинного пути \n",
"2 Генрих Шестой глазами Шекспира \n",
"3 Иоанн Безземельный, Эдуард Третий и Ричард Вто... \n",
"4 Шпаргалка для ленивых любителей истории. Корол... \n",
"... ... \n",
"3590 чем она могла себе представить. Ее репортажи ... \n",
"3591 Извлечение троих: из цикла \\\"Темная Башня\\\" \n",
"3592 как говорят карты Таро\\ \n",
"3593 улицы наполняются толпами зомби. И похоже на то\\ \n",
"3594 несмотря на их возраст и ужасы\\ \n",
"\n",
" annotation \\\n",
"0 Расследование жизни и деяний двух самых опороч... \n",
"1 Сыщики Макар Илюшин и Сергей Бабкин расследуют... \n",
"2 Генрих Шестой – самая трагическая фигура на ан... \n",
"3 Истории трех знаменитых королей под одной обло... \n",
"4 Первая книга в необычном для Александры Марини... \n",
"... ... \n",
"3590 и каждая новая догадка обличает богатых и вли... \n",
"3591 Цикл «Темная Башня» — это opus magnum — лучшая... \n",
"3592 в современную Америку на поиски помощников. В... \n",
"3593 что главной целью нечисти становится именно К... \n",
"3594 противостоящие им. На карту поставлено все: ж... \n",
"\n",
" cleaned_text \\\n",
"0 расследование жизни деяний самых опороченных в... \n",
"1 сыщики макар илюшин сергей бабкин расследуют п... \n",
"2 генрих самая трагическая фигура английском пре... \n",
"3 истории трех знаменитых королей обложкой посво... \n",
"4 первая необычном александры марининой жанре по... \n",
"... ... \n",
"3590 новая догадка обличает богатых влиятельных гра... \n",
"3591 цикл темная башня лучшая стивена кинга история... \n",
"3592 современную америку поиски помощников смогут п... \n",
"3593 главной целью нечисти становится кирилл неболь... \n",
"3594 противостоящие карту поставлено жизни души чел... \n",
"\n",
" lemmatized_text \\\n",
"0 расследование жизнь деяние самый опорочить воз... \n",
"1 сыщик макар илюшин сергей бабкин расследовать ... \n",
"2 генрих самый трагический фигура английский пре... \n",
"3 история три знаменитый король обложка посвоему... \n",
"4 первый необычный александра маринин жанр попул... \n",
"... ... \n",
"3590 новый догадка обличать богатый влиятельный гра... \n",
"3591 цикл тёмный башня хороший стивен кинг история ... \n",
"3592 современный америка поиск помощник смочь проти... \n",
"3593 главный цель нечисть становиться кирилл неболь... \n",
"3594 противостоящий карта поставить жизнь душа чело... \n",
"\n",
" cleaned_title text_length \n",
"0 ричард третий и генрих восьмой глазами ше... 1046 \n",
"1 знак истинного пути 242 \n",
"2 генрих шестой глазами шекспира 1005 \n",
"3 иоанн безземельный эдуард третий и ричар... 1050 \n",
"4 шпаргалка для ленивых любителей истории. кор... 598 \n",
"... ... ... \n",
"3590 чем она могла себе представить. ее репортажи... 144 \n",
"3591 извлечение троих: из цикла \\\" темная башня\\\" 85 \n",
"3592 как говорят карты таро\\ 92 \n",
"3593 улицы наполняются толпами зомби. и похоже на... 181 \n",
"3594 несмотря на их возраст и ужасы\\ 89 \n",
"\n",
"[3595 rows x 10 columns]"
]
},
"execution_count": 4,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"books = pd.read_csv('/Users/valeriaalesnikova/Desktop/bootcamp/ghjtrn/smart_book_search/data/data_withot_loveread.csv')\n",
"books"
]
},
{
"cell_type": "code",
"execution_count": 5,
"metadata": {},
"outputs": [],
"source": [
"# Максимальная длина текста\n",
"MAX_LEN = 300"
]
},
{
"cell_type": "code",
"execution_count": 6,
"metadata": {},
"outputs": [],
"source": [
"# Функция для встраивания текста с использованием BERT\n",
"def embed_bert_cls(text, model=model, tokenizer=tokenizer):\n",
" t = tokenizer(text,\n",
" padding=True,\n",
" truncation=True,\n",
" return_tensors='pt',\n",
" max_length=MAX_LEN)\n",
" with torch.no_grad():\n",
" model_output = model(**{k: v.to(model.device) for k, v in t.items()})\n",
" embeddings = model_output.last_hidden_state[:, 0, :]\n",
" embeddings = torch.nn.functional.normalize(embeddings)\n",
" return embeddings[0].cpu().squeeze()"
]
},
{
"cell_type": "code",
"execution_count": 7,
"metadata": {},
"outputs": [],
"source": [
"# Функция для обработки текста, чтобы все значения были строками\n",
"def preprocess_text(text):\n",
" if isinstance(text, str):\n",
" return text\n",
" elif pd.isna(text):\n",
" return \"\"\n",
" else:\n",
" return str(text)\n",
"\n",
"# Применение функции к колонке 'annotation'\n",
"books['lemmatized_text'] = books['lemmatized_text'].apply(preprocess_text)\n",
"\n",
"# Вычисление векторов для всех текстов в DataFrame\n",
"embeddings = []\n",
"for text in books['lemmatized_text']: # Предполагаем, что тексты находятся в колонке 'annotation'\n",
" embedding = embed_bert_cls(text)\n",
" embeddings.append(embedding.numpy())\n",
"\n",
"# Преобразование списка векторов в массив numpy\n",
"embeddings_array = np.stack(embeddings)\n",
"\n",
"# Сохранение векторов в текстовый файл\n",
"np.savetxt('embeddings.txt', embeddings_array)"
]
},
{
"cell_type": "code",
"execution_count": 8,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Венчание со страхом\n",
"Фартовый город\n",
"Ловцы черных душ. Дело глазника\n",
"Убийство на улице Роз\n",
"Апология здравого смысла\n"
]
}
],
"source": [
"# Загрузка предварительно вычисленных векторов\n",
"embeddings = np.loadtxt('embeddings.txt')\n",
"embeddings_tensor = [torch.tensor(embedding) for embedding in embeddings]\n",
"\n",
"# Создание индекса Faiss\n",
"embeddings_matrix = np.stack(embeddings)\n",
"index = faiss.IndexFlatIP(embeddings_matrix.shape[1])\n",
"index.add(embeddings_matrix)\n",
"\n",
"# Текст запроса\n",
"text = 'Между сыщиком и преступником начинается жесткая игра'\n",
"\n",
"# Встраивание запроса и поиск ближайших векторов с использованием Faiss\n",
"query_embedding = embed_bert_cls(text)\n",
"query_embedding = query_embedding.numpy().astype('float32')\n",
"k, indices = index.search(np.expand_dims(query_embedding, axis=0), 5)\n",
"\n",
"# Вывод результатов\n",
"for i in indices[0]:\n",
" print(books['title'][i])\n"
]
}
],
"metadata": {
"kernelspec": {
"display_name": ".venv",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.11.8"
}
},
"nbformat": 4,
"nbformat_minor": 2
}
|