Spaces:
Sleeping
Sleeping
Update app.py
Browse files
app.py
CHANGED
@@ -92,7 +92,6 @@ def calculate_similarity(user_question, pdf_text):
|
|
92 |
|
93 |
return max_similarity.item()
|
94 |
|
95 |
-
|
96 |
def main():
|
97 |
load_dotenv()
|
98 |
user_question = st.text_area("Eingabe:")
|
@@ -106,25 +105,20 @@ def main():
|
|
106 |
text_chunks = get_text_chunks(pdf_text)
|
107 |
create_vectorstore_and_store(text_chunks)
|
108 |
|
109 |
-
retriever=get_vectorstore().as_retriever()
|
110 |
-
retrieved_docs=retriever.invoke(
|
111 |
-
user_question
|
112 |
-
)
|
113 |
if user_question:
|
114 |
st.text(retrieved_docs[0].page_content)
|
115 |
-
|
116 |
|
117 |
-
#vectorstore_DB=get_vectorstore() # bei Abfrage durch Chatbot
|
118 |
-
#print(get_vectorstore().similarity_search_with_score("stelle")) # zeigt an ob Vektordatenbank gefüllt ist
|
119 |
-
|
120 |
-
#print(get_conversation_chain(get_vectorstore()))
|
121 |
similarity_score = calculate_similarity(user_question, pdf_text)
|
122 |
|
123 |
# Nutze similarity_score zur Bewertung der Relevanz der Frage für die PDF-Inhalte
|
124 |
relevance_threshold = 0.3 # Beispielwert, anpassen nach Bedarf
|
125 |
|
126 |
st.write("Ähnlichkeit der Frage mit den PDF-Inhalten:", similarity_score)
|
127 |
-
|
|
|
128 |
st.success("Die Frage ist relevant für die PDF-Inhalte.")
|
129 |
# Führe die weitere Verarbeitung durch
|
130 |
retriever = get_vectorstore().as_retriever()
|
@@ -133,12 +127,7 @@ def main():
|
|
133 |
st.text(retrieved_docs[0].page_content)
|
134 |
# bei eingehendem PDF
|
135 |
else:
|
136 |
-
st.error("Die Frage ist nicht ausreichend relevant für die PDF-Inhalte. Bitte eine präzisere Frage stellen.
|
137 |
-
|
138 |
-
|
139 |
-
|
140 |
-
|
141 |
-
|
142 |
|
143 |
if __name__ == '__main__':
|
144 |
-
main()
|
|
|
92 |
|
93 |
return max_similarity.item()
|
94 |
|
|
|
95 |
def main():
|
96 |
load_dotenv()
|
97 |
user_question = st.text_area("Eingabe:")
|
|
|
105 |
text_chunks = get_text_chunks(pdf_text)
|
106 |
create_vectorstore_and_store(text_chunks)
|
107 |
|
108 |
+
retriever = get_vectorstore().as_retriever()
|
109 |
+
retrieved_docs = retriever.invoke(user_question)
|
|
|
|
|
110 |
if user_question:
|
111 |
st.text(retrieved_docs[0].page_content)
|
112 |
+
# bei eingehendem PDF
|
113 |
|
|
|
|
|
|
|
|
|
114 |
similarity_score = calculate_similarity(user_question, pdf_text)
|
115 |
|
116 |
# Nutze similarity_score zur Bewertung der Relevanz der Frage für die PDF-Inhalte
|
117 |
relevance_threshold = 0.3 # Beispielwert, anpassen nach Bedarf
|
118 |
|
119 |
st.write("Ähnlichkeit der Frage mit den PDF-Inhalten:", similarity_score)
|
120 |
+
|
121 |
+
if similarity_score >= relevance_threshold:
|
122 |
st.success("Die Frage ist relevant für die PDF-Inhalte.")
|
123 |
# Führe die weitere Verarbeitung durch
|
124 |
retriever = get_vectorstore().as_retriever()
|
|
|
127 |
st.text(retrieved_docs[0].page_content)
|
128 |
# bei eingehendem PDF
|
129 |
else:
|
130 |
+
st.error("Die Frage ist nicht ausreichend relevant für die PDF-Inhalte. Bitte eine präzisere Frage stellen.")
|
|
|
|
|
|
|
|
|
|
|
131 |
|
132 |
if __name__ == '__main__':
|
133 |
+
main()
|