Spaces:
Sleeping
Sleeping
Update app.py
Browse files
app.py
CHANGED
@@ -1,214 +1,214 @@
|
|
1 |
-
import pandas as pd
|
2 |
-
import re
|
3 |
-
import json
|
4 |
-
from transformers import AutoTokenizer, AutoModelForTokenClassification, pipeline
|
5 |
-
import gradio as gr
|
6 |
-
|
7 |
-
def read_from_excel(file_path):
|
8 |
-
df = pd.read_excel(file_path)
|
9 |
-
items = df['object'].astype(str).tolist() # تبدیل همه مقادیر به رشته
|
10 |
-
return items
|
11 |
-
|
12 |
-
def preprocess_text(text):
|
13 |
-
# حذف کاراکترهای غیرضروری و نرمالسازی متن
|
14 |
-
text = text.replace('\u200c', ' ').strip() # حذف نیمفاصله و فاصلههای اضافی
|
15 |
-
text = re.sub(r'\s+', ' ', text) # حذف فاصلههای تکراری
|
16 |
-
return text
|
17 |
-
|
18 |
-
def extract_items_in_text(text, items):
|
19 |
-
text = preprocess_text(text)
|
20 |
-
found_items = set() # استفاده از مجموعه برای جلوگیری از تکرار
|
21 |
-
for item in items:
|
22 |
-
item_normalized = preprocess_text(item)
|
23 |
-
if item_normalized.lower() in text.lower():
|
24 |
-
found_items.add(item_normalized)
|
25 |
-
return list(found_items)
|
26 |
-
|
27 |
-
def compare_items(items_1, items_2):
|
28 |
-
common_items = set()
|
29 |
-
score = 0 # مقدار پیشفرض برای score
|
30 |
-
for item1 in items_1:
|
31 |
-
for item2 in items_2:
|
32 |
-
words1 = set(item1.lower().split())
|
33 |
-
words2 = set(item2.lower().split())
|
34 |
-
common_words = words1.intersection(words2)
|
35 |
-
num_common = len(common_words)
|
36 |
-
|
37 |
-
if num_common >= 3:
|
38 |
-
common_items.add((item1, item2))
|
39 |
-
score = 100
|
40 |
-
elif num_common == 2:
|
41 |
-
common_items.add((item1, item2))
|
42 |
-
score = 75
|
43 |
-
elif num_common == 1:
|
44 |
-
common_items.add((item1, item2))
|
45 |
-
score = 50
|
46 |
-
|
47 |
-
return score, common_items
|
48 |
-
|
49 |
-
def compare_skills(skill_1, skill_2):
|
50 |
-
common_skill = set(skill_1).intersection(set(skill_2))
|
51 |
-
num_common = len(common_skill)
|
52 |
-
|
53 |
-
if num_common >= 10:
|
54 |
-
score = 100
|
55 |
-
elif num_common == 7:
|
56 |
-
score = 75
|
57 |
-
elif num_common == 5:
|
58 |
-
score = 50
|
59 |
-
else:
|
60 |
-
score = 25
|
61 |
-
|
62 |
-
return score, common_skill
|
63 |
-
|
64 |
-
def extract_ner_info(text, nlp):
|
65 |
-
ner_results = nlp(text)
|
66 |
-
full_name = ''
|
67 |
-
loc = ''
|
68 |
-
age = None
|
69 |
-
|
70 |
-
for i in range(len(ner_results)):
|
71 |
-
if ner_results[i]['entity'] == 'B-PER':
|
72 |
-
full_name = ner_results[i]['word']
|
73 |
-
for j in range(i+1, len(ner_results)):
|
74 |
-
if ner_results[j]['entity'].startswith('I-PER'):
|
75 |
-
full_name += ner_results[j]['word'].replace('##', '')
|
76 |
-
else:
|
77 |
-
break
|
78 |
-
|
79 |
-
if ner_results[i]['entity'] == 'B-LOC' and not loc:
|
80 |
-
loc = ner_results[i]['word']
|
81 |
-
|
82 |
-
age_match = re.search(r'سن\s*:\s*(\d+)', text)
|
83 |
-
if age_match:
|
84 |
-
age = int(age_match.group(1))
|
85 |
-
|
86 |
-
return full_name, loc, age
|
87 |
-
|
88 |
-
def process_text(input_text):
|
89 |
-
# مسیر فایل اکسلها را وارد کنید
|
90 |
-
job_excel_file_path = 'jobs_output.xlsx'
|
91 |
-
education_excel_file_path = 'education_output.xlsx'
|
92 |
-
skills_excel_file_path = 'N_F_skill_output.xlsx'
|
93 |
-
# خواندن شغلها، تحصیلات و مهارتها از فایلهای اکسل
|
94 |
-
jobs = read_from_excel(job_excel_file_path)
|
95 |
-
education = read_from_excel(education_excel_file_path)
|
96 |
-
skills = read_from_excel(skills_excel_file_path)
|
97 |
-
|
98 |
-
# متن ثابت
|
99 |
-
fixed_text = """استخدام کارآموز هوش مصنوعی (AI-شیراز)
|
100 |
-
|
101 |
-
دستهبندی شغلی
|
102 |
-
وب، برنامهنویسی و نرمافزار
|
103 |
-
موقعیت مکانی
|
104 |
-
فارس ، شیراز
|
105 |
-
نوع همکاری
|
106 |
-
تمام وقت کارآموزی
|
107 |
-
حداقل سابقه کار
|
108 |
-
مهم نیست
|
109 |
-
حقوق
|
110 |
-
توافقی
|
111 |
-
شرح موقعیت شغلی
|
112 |
-
شرکت تاو سیستم واقع در (شیراز - صدرا - خیابان البرز) در راستای تکمیل تیم نرم افزاری خود در نظر دارد دوره کارآموزی رایگان از مبتدی تا حرفه ای برای افراد پر انرژی و فعال برگزار کند.
|
113 |
-
هدف از این دوره آماده کردن نیروها جهت جذب در شرکت تاو سیستم است.
|
114 |
-
اگر فرد فعال و پر انرژی هستید و در جهت پیشرفت خود تلاش زیادی می کنید، ما منتظر شما هستیم....
|
115 |
-
|
116 |
-
|
117 |
-
|
118 |
-
نحوه برگزاری:
|
119 |
-
دوره به مدت 4 ماه (سه روز در هفته) به صورت کلاس آموزشی برگزار می شود.
|
120 |
-
شرکت در (شیراز - صدرا - خیابان البرز) واقع شده و دوره آموزشی به صورت حضوری برگزار می شود.
|
121 |
-
شما در طول دوره توسط مدرس مورد ارزیابی مستمر قرار میگیرید و در صورت عدم توانایی شما برای ادامه دوره، به شما اعلام می
|
122 |
-
در انتهای دوره پروژه ای تستی با توجه به مسائلی که در دوره
|
123 |
-
در صورت تایید پروژه شما توسط مدرس دوره، با شما قرارداد بسته می شود و به صورت حضوری در شرکت مشغول به فعالیت می شوید.
|
124 |
-
|
125 |
-
***لطفا در صورت داشتن همه (شرایط عمومی) زیر، رزومه خود را ارسال کنید.***
|
126 |
-
|
127 |
-
|
128 |
-
|
129 |
-
شرایط عمومی:
|
130 |
-
۱. آشنایی مقدماتی با زبان برنامه نویسی پایتون
|
131 |
-
۲. سطح زبان انگلیسی متوسط به بالا (توانایی درک متون انگلیسی تخصصی)
|
132 |
-
۳. آشنایی مقدماتی با الگوریتم های هوش مصنوعی (یادگیری ماشین، یادگیری عمیق )
|
133 |
-
۴. آشنایی با پایگاه داده مقدماتی
|
134 |
-
۵- امکان شرکت در دوره ها به صورت حضوری در آدرس (شیراز - صدرا - خیابان البرز)
|
135 |
-
۶- امکان گذاشتن وقت در خارج از تایم کلاس ها جهت انجام تمرینات
|
136 |
-
۷- امکان همکاری به صورت تمام وقت و حضوری در صورت قبولی در انتهای دوره (40 ساعت در هفته)
|
137 |
-
۸- از پذیرش دانشجو و افراد که شاغل هستند و یا اینکه در آینده درخواست کار به صورت ریموت دارند معذوریم.
|
138 |
-
۹- سن بین 18 الی 30 سال
|
139 |
-
۱۰- علاقه مند به یادگیری و به روز رسانی دانش فردی
|
140 |
-
۱۱- خلاق، پویا، با انگیزه و سرعت عملکرد بالا
|
141 |
-
۱۲- منظم و مسئولیت پذیر
|
142 |
-
|
143 |
-
|
144 |
-
|
145 |
-
مهارتهای امتیازی:
|
146 |
-
۱. آشنایی با با زبان برنامه نویسی پایتون در حد پیشرفته
|
147 |
-
۲. آشنایی با فریم ورک های pytorch , tensorflow
|
148 |
-
۳. آشنایی با کتاب خانه های numpy, pandas, matplotlib, sklearn ..
|
149 |
-
۴. آشنایی با data mining
|
150 |
-
۵. آشنایی با اصول solid
|
151 |
-
۶. آشنایی با Clean architecture
|
152 |
-
۷. آشنایی با Git , GitHub"""
|
153 |
-
|
154 |
-
input_text = input_text.replace("آدرس", "")
|
155 |
-
# استخراج شغلها، تحصیلات و مهارتها از متنها
|
156 |
-
jobs_in_fixed_text = extract_items_in_text(fixed_text, jobs)
|
157 |
-
jobs_in_input_text = extract_items_in_text(input_text, jobs)
|
158 |
-
education_in_fixed_text = extract_items_in_text(fixed_text, education)
|
159 |
-
education_in_input_text = extract_items_in_text(input_text, education)
|
160 |
-
skills_in_fixed_text = extract_items_in_text(fixed_text, skills)
|
161 |
-
skills_in_input_text = extract_items_in_text(input_text, skills)
|
162 |
-
|
163 |
-
# مقایسه و نمرهدهی
|
164 |
-
job_score, common_jobs = compare_items(jobs_in_fixed_text, jobs_in_input_text)
|
165 |
-
education_score, common_education = compare_items(education_in_fixed_text, education_in_input_text)
|
166 |
-
skill_score, common_skills = compare_skills(skills_in_fixed_text, skills_in_input_text)
|
167 |
-
|
168 |
-
# تنظیم و آمادهسازی مدل NER
|
169 |
-
model_name_or_path = "HooshvareLab/distilbert-fa-zwnj-base-ner"
|
170 |
-
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path)
|
171 |
-
model = AutoModelForTokenClassification.from_pretrained(model_name_or_path) # Pytorch
|
172 |
-
nlp = pipeline("ner", model=model, tokenizer=tokenizer)
|
173 |
-
|
174 |
-
# استخراج اطلاعات NER
|
175 |
-
full_name, loc, age = extract_ner_info(input_text, nlp)
|
176 |
-
|
177 |
-
# نمرهدهی لوکیشن
|
178 |
-
fixed_loc = "شیراز"
|
179 |
-
loc_score = 100 if loc == fixed_loc else 0
|
180 |
-
|
181 |
-
# نمرهدهی سن
|
182 |
-
age_score = 100 if age and 18 <= age <= 30 else 0
|
183 |
-
|
184 |
-
# محاسبه و نمایش میانگین نمرات
|
185 |
-
average_score = (job_score + education_score + skill_score + loc_score + age_score) / 5
|
186 |
-
|
187 |
-
# ساخت خروجی JSON
|
188 |
-
output = {
|
189 |
-
"average_score": average_score,
|
190 |
-
"full_name": full_name,
|
191 |
-
"age": age,
|
192 |
-
"location": loc,
|
193 |
-
"job_score": job_score,
|
194 |
-
"education_score": education_score,
|
195 |
-
"skill_score": skill_score,
|
196 |
-
"loc_score": loc_score,
|
197 |
-
"age_score": age_score,
|
198 |
-
"common_jobs": list(common_jobs),
|
199 |
-
"common_education": list(common_education),
|
200 |
-
"common_skills": list(common_skills)
|
201 |
-
}
|
202 |
-
|
203 |
-
return json.dumps(output, ensure_ascii=False, indent=4)
|
204 |
-
|
205 |
-
iface = gr.Interface(
|
206 |
-
fn=process_text,
|
207 |
-
inputs=gr.Textbox(lines=10, placeholder="لطفاً متن خود را وارد کنید..."),
|
208 |
-
outputs="json",
|
209 |
-
title="متن پرداز",
|
210 |
-
description="این ابزار متن شما را پردازش کرده و امتیازات مشابهت را محاسبه میکند."
|
211 |
-
)
|
212 |
-
|
213 |
-
if __name__ == "__main__":
|
214 |
iface.launch()
|
|
|
1 |
+
import pandas as pd
|
2 |
+
import re
|
3 |
+
import json
|
4 |
+
from transformers import AutoTokenizer, AutoModelForTokenClassification, pipeline
|
5 |
+
import gradio as gr
|
6 |
+
|
7 |
+
def read_from_excel(file_path):
|
8 |
+
df = pd.read_excel(file_path)
|
9 |
+
items = df['object'].astype(str).tolist() # تبدیل همه مقادیر به رشته
|
10 |
+
return items
|
11 |
+
|
12 |
+
def preprocess_text(text):
|
13 |
+
# حذف کاراکترهای غیرضروری و نرمالسازی متن
|
14 |
+
text = text.replace('\u200c', ' ').strip() # حذف نیمفاصله و فاصلههای اضافی
|
15 |
+
text = re.sub(r'\s+', ' ', text) # حذف فاصلههای تکراری
|
16 |
+
return text
|
17 |
+
|
18 |
+
def extract_items_in_text(text, items):
|
19 |
+
text = preprocess_text(text)
|
20 |
+
found_items = set() # استفاده از مجموعه برای جلوگیری از تکرار
|
21 |
+
for item in items:
|
22 |
+
item_normalized = preprocess_text(item)
|
23 |
+
if item_normalized.lower() in text.lower():
|
24 |
+
found_items.add(item_normalized)
|
25 |
+
return list(found_items)
|
26 |
+
|
27 |
+
def compare_items(items_1, items_2):
|
28 |
+
common_items = set()
|
29 |
+
score = 0 # مقدار پیشفرض برای score
|
30 |
+
for item1 in items_1:
|
31 |
+
for item2 in items_2:
|
32 |
+
words1 = set(item1.lower().split())
|
33 |
+
words2 = set(item2.lower().split())
|
34 |
+
common_words = words1.intersection(words2)
|
35 |
+
num_common = len(common_words)
|
36 |
+
|
37 |
+
if num_common >= 3:
|
38 |
+
common_items.add((item1, item2))
|
39 |
+
score = 100
|
40 |
+
elif num_common == 2:
|
41 |
+
common_items.add((item1, item2))
|
42 |
+
score = 75
|
43 |
+
elif num_common == 1:
|
44 |
+
common_items.add((item1, item2))
|
45 |
+
score = 50
|
46 |
+
|
47 |
+
return score, common_items
|
48 |
+
|
49 |
+
def compare_skills(skill_1, skill_2):
|
50 |
+
common_skill = set(skill_1).intersection(set(skill_2))
|
51 |
+
num_common = len(common_skill)
|
52 |
+
|
53 |
+
if num_common >= 10:
|
54 |
+
score = 100
|
55 |
+
elif num_common == 7:
|
56 |
+
score = 75
|
57 |
+
elif num_common == 5:
|
58 |
+
score = 50
|
59 |
+
else:
|
60 |
+
score = 25
|
61 |
+
|
62 |
+
return score, common_skill
|
63 |
+
|
64 |
+
def extract_ner_info(text, nlp):
|
65 |
+
ner_results = nlp(text)
|
66 |
+
full_name = ''
|
67 |
+
loc = ''
|
68 |
+
age = None
|
69 |
+
|
70 |
+
for i in range(len(ner_results)):
|
71 |
+
if ner_results[i]['entity'] == 'B-PER':
|
72 |
+
full_name = ner_results[i]['word']
|
73 |
+
for j in range(i+1, len(ner_results)):
|
74 |
+
if ner_results[j]['entity'].startswith('I-PER'):
|
75 |
+
full_name += ner_results[j]['word'].replace('##', '')
|
76 |
+
else:
|
77 |
+
break
|
78 |
+
|
79 |
+
if ner_results[i]['entity'] == 'B-LOC' and not loc:
|
80 |
+
loc = ner_results[i]['word']
|
81 |
+
|
82 |
+
age_match = re.search(r'سن\s*:\s*(\d+)', text)
|
83 |
+
if age_match:
|
84 |
+
age = int(age_match.group(1))
|
85 |
+
|
86 |
+
return full_name, loc, age
|
87 |
+
|
88 |
+
def process_text(input_text):
|
89 |
+
# مسیر فایل اکسلها را وارد کنید
|
90 |
+
job_excel_file_path = 'jobs_output.xlsx'
|
91 |
+
education_excel_file_path = 'education_output.xlsx'
|
92 |
+
skills_excel_file_path = 'N_F_skill_output.xlsx'
|
93 |
+
# خواندن شغلها، تحصیلات و مهارتها از فایلهای اکسل
|
94 |
+
jobs = read_from_excel(job_excel_file_path)
|
95 |
+
education = read_from_excel(education_excel_file_path)
|
96 |
+
skills = read_from_excel(skills_excel_file_path)
|
97 |
+
|
98 |
+
# متن ثابت
|
99 |
+
fixed_text = """استخدام کارآموز هوش مصنوعی (AI-شیراز)
|
100 |
+
|
101 |
+
دستهبندی شغلی
|
102 |
+
وب، برنامهنویسی و نرمافزار
|
103 |
+
موقعیت مکانی
|
104 |
+
فارس ، شیراز
|
105 |
+
نوع همکاری
|
106 |
+
تمام وقت کارآموزی
|
107 |
+
حداقل سابقه کار
|
108 |
+
مهم نیست
|
109 |
+
حقوق
|
110 |
+
توافقی
|
111 |
+
شرح موقعیت شغلی
|
112 |
+
شرکت تاو سیستم واقع در (شیراز - صدرا - خیابان البرز) در راستای تکمیل تیم نرم افزاری خود در نظر دارد دوره کارآموزی رایگان از مبتدی تا حرفه ای برای افراد پر انرژی و فعال برگزار کند.
|
113 |
+
هدف از این دوره آماده کردن نیروها جهت جذب در شرکت تاو سیستم است.
|
114 |
+
اگر فرد فعال و پر انرژی هستید و در جهت پیشرفت خود تلاش زیادی می کنید، ما منتظر شما هستیم....
|
115 |
+
|
116 |
+
|
117 |
+
|
118 |
+
نحوه برگزاری:
|
119 |
+
دوره به مدت 4 ماه (سه روز در هفته) به صورت کلاس آموزشی برگزار می شود.
|
120 |
+
شرکت در (شیراز - صدرا - خیابان البرز) واقع شده و دوره آموزشی به صورت حضوری برگزار می شود.
|
121 |
+
شما در طول دوره توسط مدرس مورد ارزیابی مستمر قرار میگیرید و در صورت عدم توانایی شما برای ادامه دوره، به شما اعلام می شود و از دوره کنار گذاشته میشوید.
|
122 |
+
در انتهای دوره پروژه ای تستی با توجه به مسائلی که در دوره ی��د گرفته اید برای شما تعریف می شود و برای انجام آن دو هفته فرصت دارید.
|
123 |
+
در صورت تایید پروژه شما توسط مدرس دوره، با شما قرارداد بسته می شود و به صورت حضوری در شرکت مشغول به فعالیت می شوید.
|
124 |
+
|
125 |
+
***لطفا در صورت داشتن همه (شرایط عمومی) زیر، رزومه خود را ارسال کنید.***
|
126 |
+
|
127 |
+
|
128 |
+
|
129 |
+
شرایط عمومی:
|
130 |
+
۱. آشنایی مقدماتی با زبان برنامه نویسی پایتون
|
131 |
+
۲. سطح زبان انگلیسی متوسط به بالا (توانایی درک متون انگلیسی تخصصی)
|
132 |
+
۳. آشنایی مقدماتی با الگوریتم های هوش مصنوعی (یادگیری ماشین، یادگیری عمیق )
|
133 |
+
۴. آشنایی با پایگاه داده مقدماتی
|
134 |
+
۵- امکان شرکت در دوره ها به صورت حضوری در آدرس (شیراز - صدرا - خیابان البرز)
|
135 |
+
۶- امکان گذاشتن وقت در خارج از تایم کلاس ها جهت انجام تمرینات
|
136 |
+
۷- امکان همکاری به صورت تمام وقت و حضوری در صورت قبولی در انتهای دوره (40 ساعت در هفته)
|
137 |
+
۸- از پذیرش دانشجو و افراد که شاغل هستند و یا اینکه در آینده درخواست کار به صورت ریموت دارند معذوریم.
|
138 |
+
۹- سن بین 18 الی 30 سال
|
139 |
+
۱۰- علاقه مند به یادگیری و به روز رسانی دانش فردی
|
140 |
+
۱۱- خلاق، پویا، با انگیزه و سرعت عملکرد بالا
|
141 |
+
۱۲- منظم و مسئولیت پذیر
|
142 |
+
|
143 |
+
|
144 |
+
|
145 |
+
مهارتهای امتیازی:
|
146 |
+
۱. آشنایی با با زبان برنامه نویسی پایتون در حد پیشرفته
|
147 |
+
۲. آشنایی با فریم ورک های pytorch , tensorflow
|
148 |
+
۳. آشنایی با کتاب خانه های numpy, pandas, matplotlib, sklearn ..
|
149 |
+
۴. آشنایی با data mining
|
150 |
+
۵. آشنایی با اصول solid
|
151 |
+
۶. آشنایی با Clean architecture
|
152 |
+
۷. آشنایی با Git , GitHub"""
|
153 |
+
|
154 |
+
input_text = input_text.replace("آدرس", "")
|
155 |
+
# استخراج شغلها، تحصیلات و مهارتها از متنها
|
156 |
+
jobs_in_fixed_text = extract_items_in_text(fixed_text, jobs)
|
157 |
+
jobs_in_input_text = extract_items_in_text(input_text, jobs)
|
158 |
+
education_in_fixed_text = extract_items_in_text(fixed_text, education)
|
159 |
+
education_in_input_text = extract_items_in_text(input_text, education)
|
160 |
+
skills_in_fixed_text = extract_items_in_text(fixed_text, skills)
|
161 |
+
skills_in_input_text = extract_items_in_text(input_text, skills)
|
162 |
+
|
163 |
+
# مقایسه و نمرهدهی
|
164 |
+
job_score, common_jobs = compare_items(jobs_in_fixed_text, jobs_in_input_text)
|
165 |
+
education_score, common_education = compare_items(education_in_fixed_text, education_in_input_text)
|
166 |
+
skill_score, common_skills = compare_skills(skills_in_fixed_text, skills_in_input_text)
|
167 |
+
|
168 |
+
# تنظیم و آمادهسازی مدل NER
|
169 |
+
model_name_or_path = "HooshvareLab/distilbert-fa-zwnj-base-ner"
|
170 |
+
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path)
|
171 |
+
model = AutoModelForTokenClassification.from_pretrained(model_name_or_path) # Pytorch
|
172 |
+
nlp = pipeline("ner", model=model, tokenizer=tokenizer)
|
173 |
+
|
174 |
+
# استخراج اطلاعات NER
|
175 |
+
full_name, loc, age = extract_ner_info(input_text, nlp)
|
176 |
+
|
177 |
+
# نمرهدهی لوکیشن
|
178 |
+
fixed_loc = "شیراز"
|
179 |
+
loc_score = 100 if loc == fixed_loc else 0
|
180 |
+
|
181 |
+
# نمرهدهی سن
|
182 |
+
age_score = 100 if age and 18 <= age <= 30 else 0
|
183 |
+
|
184 |
+
# محاسبه و نمایش میانگین نمرات
|
185 |
+
average_score = (job_score + education_score + skill_score + loc_score + age_score) / 5
|
186 |
+
|
187 |
+
# ساخت خروجی JSON
|
188 |
+
output = {
|
189 |
+
"average_score": average_score,
|
190 |
+
"full_name": full_name,
|
191 |
+
"age": age,
|
192 |
+
"location": loc,
|
193 |
+
"job_score": job_score,
|
194 |
+
"education_score": education_score,
|
195 |
+
"skill_score": skill_score,
|
196 |
+
"loc_score": loc_score,
|
197 |
+
"age_score": age_score,
|
198 |
+
"common_jobs": list(common_jobs),
|
199 |
+
"common_education": list(common_education),
|
200 |
+
"common_skills": list(common_skills)
|
201 |
+
}
|
202 |
+
|
203 |
+
return json.dumps(output, ensure_ascii=False, indent=4)
|
204 |
+
|
205 |
+
iface = gr.Interface(
|
206 |
+
fn=process_text,
|
207 |
+
inputs=gr.Textbox(lines=10, placeholder="لطفاً متن خود را وارد کنید..."),
|
208 |
+
outputs="json",
|
209 |
+
title="متن پرداز",
|
210 |
+
description="این ابزار متن شما را پردازش کرده و امتیازات مشابهت را محاسبه میکند."
|
211 |
+
)
|
212 |
+
|
213 |
+
if __name__ == "__main__":
|
214 |
iface.launch()
|