Create Selection of films by description✏️🔍.py

pages/Selection of films by description✏️🔍.py

@@ -0,0 +1,96 @@
+import streamlit as st
+import pandas as pd
+import torch
+from transformers import BertTokenizer, BertModel
+import faiss
+import numpy as np
+import re
+import nltk
+from nltk.corpus import stopwords
+
+# Загрузка стоп-слов для английского языка
+nltk.download('stopwords')
+stop_words = set(stopwords.words('english'))
+
+@st.cache_data
+def load_data(url):
+    df = pd.read_csv(url)
+    return df
+
+@st.cache_data
+def embedding_and_index():
+    embeddings_array = np.load('data/embeddings_eng.npy')
+    index = faiss.read_index('data/desc_faiss_index_eng.index')
+    return embeddings_array, index
+
+@st.cache_data
+def load_model():
+    model = BertModel.from_pretrained('bert-base-uncased')
+    return model
+
+def clean_text(text):
+    text = text.lower()
+    text = re.sub(r'[^\w\s]', '', text)
+    text = ' '.join(word for word in text.split() if word not in stop_words)
+    
+    return text
+
+st.header("Selection of films by description✏️🔍")
+
+# Загрузка данных
+tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
+df = load_data('data/eng_data.csv')
+embeddings_array, index = embedding_and_index()
+model = load_model()
+
+# Пользовательский ввод
+user_input = st.text_input("Enter a movie description:", value="", help="The more detailed your description is, the more accurately we can choose a film for you 🤗'")
+
+if st.button("Search🔍🎦"):
+    if user_input:
+        def encode_description(description, tokenizer, model):
+            tokens = tokenizer(description, return_tensors="pt")
+            with torch.no_grad():
+                outputs = model(**tokens)
+            embeddings = outputs.last_hidden_state.mean(dim=1)
+            return embeddings.cpu().numpy().astype('float32')
+        
+        # Применяем очистку текста к пользовательскому вводу
+        cleaned_input = clean_text(user_input)
+        
+        # Векторизация очищенного запроса
+        input_embedding = encode_description(cleaned_input, tokenizer, model)
+
+        # Поиск с использованием Faiss
+        _, sorted_indices = index.search(input_embedding.reshape(1, -1), 5)
+
+        # Используйте индексы для извлечения строк из DataFrame
+        recs = df.iloc[sorted_indices[0]].reset_index(drop=True)
+        recs.index = recs.index + 1
+
+        # Вывод рекомендованных фильмов с изображениями
+        st.subheader("Recommended movies 🎉:")
+        for i in range(5):
+            st.markdown(f"<span style='font-size:{20}px; color:purple'>{recs['movie_title'].iloc[i]}</span>", unsafe_allow_html=True)
+        # Создаем две колонки: одну для текста, другую для изображения
+            col1, col2 = st.columns([2, 1])
+    
+        # В  колонке отображаем название фильма, описание, роли и ссылку
+            col1.info(recs['description'].iloc[i])
+            col1.markdown(f"**Actors:** {recs['actors'].iloc[i]}")
+            col1.markdown(f"**You can watch the film [here]({recs['page_url'].iloc[i]})**")
+    
+        # В  колонке отображаем изображение
+            col2.image(recs['image_url'].iloc[i], caption=recs['movie_title'].iloc[i], width=200)
+        with st.sidebar:
+            st.info("""
+                 #### Were we able to help you with the choice? 
+                """)
+            feedback = st.text_input('Share with us')
+        
+            feedback_button = st.button("Send feedback", key="feedback_button")
+        
+        if feedback_button and feedback:
+            feedback_container.success("Thank you, every day we try to be better for you 💟")
+        elif feedback_button:
+            feedback_container.warning("Please enter a review before submitting")