Update app.py

app.py

@@ -64,21 +64,31 @@ if page == "какая-то еще":
         with torch.no_grad():
             outputs = model(**tokens)
         embeddings = outputs.last_hidden_state.mean(dim=1)
-        return embeddings
+        return embeddings.cpu().numpy().astype('float32')
+        
+    embeddings_array = np.load('embeddings.npy')
+    index = faiss.read_index('desc_faiss_index.index')
+    
     df2 = pd.read_csv('data_with_embeddings.csv')
-    embeddings = pd.read_pickle('embeddings.pkl')
+    # embeddings = pd.read_pickle('embeddings.pkl')
+    
     user_input = st.text_area('Введите описание фильма')
     input_embedding = encode_description(user_input)
     embeddings_tensor = torch.stack([torch.Tensor(ast.literal_eval(embedding_str)) for embedding_str in df2['description_embedding']]).numpy()
 
+    if st.button("Искать 🔍"):
+        if user_input:
+            # Векторизация введенного запроса
+            input_embedding = encode_description(user_input)
 
-    # Рассчитайте косинусное сходство
-    similarity_scores = cosine_similarity(input_embedding.view(1, -1).detach().numpy(), embeddings_tensor.reshape(embeddings_tensor.shape[0], -1))[0]
+            # Поиск с использованием Faiss
+            _, sorted_indices = index.search(input_embedding.reshape(1, -1), 10)
 
-    # Получение индексов отсортированных значений
-    sorted_indices = similarity_scores.argsort()[::-1]
+            # Используйте индексы для извлечения строк из DataFrame
+            recs = df.iloc[sorted_indices[0]].reset_index(drop=True)
+            recs.index = recs.index + 1
 
-    # Используйте индексы для извлечения строк из DataFrame
-    recs = df2.iloc[sorted_indices[:10]].reset_index(drop=True)
-    recs.index = recs.index + 1   
-    st.write(recs[['movie_title', 'description']])
+            # Вывод рекомендованных фильмов
+            st.write("Рекомендованные фильмы:")
+            st.table(recs[['movie_title', 'description']])
+