app.py

# app.py - نسخه کاملاً اصلاح شده
import pandas as pd
import numpy as np
import gradio as gr
import pickle
import warnings
import os

warnings.filterwarnings('ignore')

print("🚀 در حال راه‌اندازی سیستم بررسی نظرات...")

# ============ 1. بارگذاری داده‌ها ============
try:
    if os.path.exists('rew.csv'):
        df = pd.read_csv('rew.csv')
        print(f"✅ داده‌های واقعی بارگذاری شد: {len(df)} نمونه")
    else:
        df = pd.DataFrame({
            'des': ['محصول خوبی بود', 'کیفیت پایین'],
            'pos': [2, 1],
            'neg': [1, 3],
            'score': [4, 2]
        })
        print("⚠️ از داده‌های نمونه استفاده می‌شود")
except Exception as e:
    print(f"❌ خطا در بارگذاری داده‌ها: {e}")
    df = pd.DataFrame({
        'des': ['محصول خوبی بود', 'کیفیت پایین'],
        'pos': [2, 1],
        'neg': [1, 3],
        'score': [4, 2]
    })

# ============ 2. بارگذاری مدل BERT ============
try:
    from transformers import pipeline
    sen = pipeline('sentiment-analysis', 
                   model='HooshvareLab/bert-fa-base-uncased-sentiment-snappfood',
                   device=-1)
    print("✅ مدل BERT بارگذاری شد")
except Exception as e:
    print(f"⚠️ مدل BERT بارگذاری نشد: {e}")
    sen = None

# ============ 3. بارگذاری یا آموزش مدل Logistic Regression ============
try:
    if os.path.exists('trained_model.pkl'):
        with open('trained_model.pkl', 'rb') as f:
            model = pickle.load(f)
        print("✅ مدل Logistic Regression بارگذاری شد")
    else:
        raise FileNotFoundError("مدل ذخیره شده یافت نشد")
except:
    print("⚠️ آموزش مدل جدید...")
    from sklearn.linear_model import LogisticRegression
    model = LogisticRegression(random_state=42, max_iter=1000)
    # داده‌های آموزش
    X_train = [[1, 2, 1], [0, 1, 3], [1, 3, 1], [0, 2, 2], [1, 2, 2]]
    y_train = [1, 0, 1, 0, 1]
    model.fit(X_train, y_train)
    # ذخیره مدل
    with open('trained_model.pkl', 'wb') as f:
        pickle.dump(model, f)
    print("✅ مدل جدید آموزش و ذخیره شد")

# ============ 4. تابع تحلیل احساس ============
def analyze_sentiment(text):
    """تحلیل احساس متن"""
    if not text or not text.strip():
        return "📝 منتظر متن..."
    
    try:
        if sen is not None:
            result = sen(text[:200])[0]
            label = result['label']
            conf = result['score']
            return f"{'😊 مثبت' if label == 'HAPPY' else '😞 منفی'} (اطمینان: {conf:.1%})"
        else:
            text_low = text.lower()
            pos_words = ['عالی', 'خوب', 'ممتاز', 'عالیه', 'خوبه', 'قشنگ']
            neg_words = ['بد', 'ضعیف', 'خراب', 'بدم', 'بدیه', 'ناراضی']
            
            pos_count = sum(1 for w in pos_words if w in text_low)
            neg_count = sum(1 for w in neg_words if w in text_low)
            
            if pos_count > neg_count:
                return f"😊 مثبت ({pos_count} کلمه مثبت)"
            elif neg_count > pos_count:
                return f"😞 منفی ({neg_count} کلمه منفی)"
            else:
                return "😐 خنثی"
    except Exception as e:
        return f"⚠️ خطا در تحلیل: {str(e)}"

# ============ 5. تابع اصلی پیش‌بینی ============
def predict(review, strengths, weaknesses, rating):
    """پیش‌بینی و تصمیم‌گیری نهایی"""
    try:
        # تحلیل احساس متن
        if sen is not None and review.strip():
            try:
                sent_result = sen(review[:300])[0]
                des = 1 if sent_result['label'] == 'HAPPY' else 0
                sentiment_label = sent_result['label']
                sentiment_conf = sent_result['score']
            except:
                des = 1 if len(review) > 10 else 0
                sentiment_label = "مثبت" if des == 1 else "منفی"
                sentiment_conf = 0.5
        else:
            des = 1 if len(review) > 10 else 0


sentiment_label = "مثبت" if des == 1 else "منفی"
            sentiment_conf = 0.5
        
        # پیش‌بینی با مدل Logistic Regression
        features = np.array([[des, strengths, weaknesses]])
        pred = model.predict(features)[0]
        pred_proba = model.predict_proba(features)[0]
        
        # تصمیم‌گیری نهایی (طبق منطق اصلی شما)
        if pred == 1 and rating >= 3:
            result = "✅ نظر شما ثبت شد"
            color = "green"
            icon = "✅"
        elif pred == 1 and rating < 3:
            result = "❌ لطفاً امتیاز مناسب بدهید. نظر شما ثبت نشد."
            color = "red"
            icon = "❌"
        elif pred == 0 and rating < 3:
            result = "✅ نظر شما ثبت شد"
            color = "green"
            icon = "✅"
        else:  # pred == 0 and rating >= 3
            result = "❌ لطفاً امتیاز مناسب بدهید. نظر شما ثبت نشد."
            color = "red"
            icon = "❌"
        
        # ساخت گزارش HTML
        report = f"""
        <div style='border: 2px solid {color}; padding: 20px; border-radius: 10px; margin: 15px;'>
            <h3 style='color: {color}; text-align: center;'>{icon} {result}</h3>
            
            <hr style='border: 1px solid #ddd; margin: 15px 0;'>
            
            <h4 style='color: #333;'>📊 جزئیات تحلیل:</h4>
            
            <table style='width: 100%; border-collapse: collapse; font-size: 14px;'>
                <tr style='border-bottom: 1px solid #eee;'>
                    <td style='padding: 10px; width: 40%;'><b>📝 نظر شما:</b></td>
                    <td style='padding: 10px;'>{review[:80]}{'...' if len(review) > 80 else ''}</td>
                </tr>
                <tr style='border-bottom: 1px solid #eee;'>
                    <td style='padding: 10px;'><b>😊 تحلیل احساس:</b></td>
                    <td style='padding: 10px;'>{'مثبت 😊' if des == 1 else 'منفی 😞'} ({sentiment_conf:.1%})</td>
                </tr>
                <tr style='border-bottom: 1px solid #eee;'>
                    <td style='padding: 10px;'><b>🔺 نقاط قوت:</b></td>
                    <td style='padding: 10px;'>{strengths} از ۳</td>
                </tr>
                <tr style='border-bottom: 1px solid #eee;'>
                    <td style='padding: 10px;'><b>🔻 نقاط ضعف:</b></td>
                    <td style='padding: 10px;'>{weaknesses} از ۳</td>
                </tr>
                <tr style='border-bottom: 1px solid #eee;'>
                    <td style='padding: 10px;'><b>⭐ امتیاز:</b></td>
                    <td style='padding: 10px;'>{rating} از ۵</td>
                </tr>
                <tr style='border-bottom: 1px solid #eee;'>
                    <td style='padding: 10px;'><b>🤖 تصمیم مدل:</b></td>
                    <td style='padding: 10px;'>{'تایید ✅' if pred == 1 else 'رد ❌'}</td>
                </tr>
                <tr>
                    <td style='padding: 10px;'><b>📈 اطمینان مدل:</b></td>
                    <td style='padding: 10px;'>{pred_proba[max(pred, 0)]:.1%}</td>
                </tr>
            </table>
            
            <div style='margin-top: 20px; padding: 12px; background-color: #f8f9fa; border-radius: 8px;'>
                <p style='margin: 0; font-size: 13px; color: #666;'>
                    <b>📋 نکته:</b> این سیستم بر اساس {len(df)} نظر آموزش دیده است.
                    ترکیب احساس متن، نقاط قوت/ضعف و امتیاز در تصمیم‌گیری تأثیر دارد.
                </p>
            </div>
        </div>
        """
        
        return report
        
    except Exception as e:
        return f"""
        <div style='border: 2px solid orange; padding: 20px; border-radius: 10px;'>
            <h3 style='color: orange;'>⚠️ خطا در پردازش</h3>
            <p>خطای زیر رخ داد:</p>
            <pre style='background-color: #f8f9fa; padding: 10px; border-radius: 5px; font-size: 12px;'>{str(e)}</pre>
            <p style='margin-top: 10px;'>لطفاً دوباره تلاش کنید.</p>
        </div>
        """


# ============ 6. ساخت رابط کاربری Gradio ============
with gr.Blocks(title="سیستم بررسی نظرات مشتریان", theme=gr.themes.Soft()) as demo:
    
    # عنوان اصلی
    gr.Markdown("""
    # 🛍️ سیستم بررسی و ثبت نظرات مشتریان
    نظر خود را وارد کنید تا سیستم هوشمند ما آن را تحلیل و تأیید کند.
    """)
    
    # ردیف اول: ورودی متن
    with gr.Row():
        with gr.Column(scale=2):
            # کادر متن
            text_input = gr.Textbox(
                label="👤 نظر خود را بنویسید",
                placeholder="مثال: کیفیت این محصول عالیه اما قیمتش کمی بالاست...",
                lines=4,
                max_lines=6
            )
            
            # نمایش تحلیل احساس
            sentiment_display = gr.Textbox(
                label="📊 تحلیل لحظه‌ای احساس",
                interactive=False,
                value="📝 منتظر نظر شما هستیم..."
            )
            
            # اتصال تغییرات متن به تحلیل احساس
            text_input.change(
                fn=analyze_sentiment,
                inputs=text_input,
                outputs=sentiment_display
            )
        
        with gr.Column(scale=1):
            # اطلاعات سیستم
            gr.Markdown(f"""
            ### 📊 اطلاعات سیستم
            • داده‌های آموزشی: {len(df)} نظر  
            • مدل احساس‌سنجی: {'فعال ✅' if sen else 'غیرفعال ⚠️'}  
            • مدل تصمیم‌گیری: Logistic Regression  
            • آخرین بروزرسانی: هم‌اکنون
            """)
    
    # ردیف دوم: تنظیمات
    with gr.Row():
        with gr.Column():
            strengths = gr.Slider(
                minimum=1,
                maximum=3,
                value=2,
                step=1,
                label="🔺 تعداد نقاط قوت",
                info="از ۱ تا ۳"
            )
        
        with gr.Column():
            weaknesses = gr.Slider(
                minimum=1,
                maximum=3,
                value=1,
                step=1,
                label="🔻 تعداد نقاط ضعف",
                info="از ۱ تا ۳"
            )
        
        with gr.Column():
            rating = gr.Radio(
                choices=[("۱ ستاره ⭐", 1), ("۲ ستاره ⭐⭐", 2), ("۳ ستاره ⭐⭐⭐", 3),
                        ("۴ ستاره ⭐⭐⭐⭐", 4), ("۵ ستاره ⭐⭐⭐⭐⭐", 5)],
                value=3,
                label="⭐ امتیاز کلی محصول",
                info="از ۱ (خیلی بد) تا ۵ (عالی)"
            )
    
    # دکمه ثبت
    with gr.Row():
        submit_btn = gr.Button(
            "📝 ارسال و تحلیل نظر",
            variant="primary",
            size="lg",
            scale=2
        )
    
    # خروجی
    with gr.Row():
        output_display = gr.HTML(
            label="🎯 نتیجه نهایی",
            value="<div style='text-align: center; color: #888; padding: 40px; font-size: 16px;'>نتیجه تحلیل نظر شما اینجا نمایش داده خواهد شد...</div>"
        )
    
    # اتصال دکمه
    submit_btn.click(
        fn=predict,
        inputs=[text_input, strengths, weaknesses, rating],
        outputs=output_display
    )
    
    # مثال‌های آماده
    with gr.Accordion("📋 کلیک کنید برای تست سریع (مثال‌های آماده)", open=False):
        examples = [
            ["این محصول واقعاً عالیه! کیفیت ساخت فوق‌العاده و بسته‌بندی شیکی داره.", 3, 1, 5],
            ["نسبت به قیمتش کیفیت پایینی داره و زود خراب شد.", 1, 3, 2],
            ["قیمت مناسبه اما رنگش با عکس فرق داره.", 2, 2, 3],
            ["بدترین خرید عمرم! اصلاً کار نمی‌کنه.", 1, 3, 1],
            ["ارزش پولش رو داره، عملکرد خوبیه.", 2, 1, 4]
        ]
        
        gr.Examples(
            examples=examples,
            inputs=[text_input, strengths, weaknesses, rating],
            outputs=output_display,
            fn=predict,
            label="برای تست سریع روی یک مثال کلیک کنید"
        )
    
    # راهنمای پایین صفحه
    with gr.Accordion("📖 راهنمای استفاده", open=False):


gr.Markdown("""
        ### نحوه استفاده:
        1. نظر خود را بنویسید: دیدگاه صادقانه خود را در مورد محصول وارد کنید.
        2. نقاط قوت و ضعف را مشخص کنید: تعداد نقاط مثبت و منفی محصول را انتخاب کنید.
        3. امتیاز دهید: از ۱ تا ۵ به محصول امتیاز دهید.
        4. ثبت کنید: دکمه "ارسال و تحلیل نظر" را بفشارید.
        
        ### منطق سیستم:
        - سیستم ابتدا احساس متن شما را با مدل BERT فارسی تحلیل می‌کند.
        - سپس با مدل Logistic Regression و بر اساس احساس متن، نقاط قوت/ضعف و امتیاز تصمیم می‌گیرد.
        - اگر مدل نظر را تأیید کند و امتیاز مناسب باشد، نظر ثبت می‌شود.
        
        ### رنگ‌های نتیجه:
        - ✅ سبز: نظر شما با موفقیت ثبت شد.
        - ❌ قرمز: نیاز به اصلاح دارد (معمولاً مشکل از امتیاز است).
        """)

# ============ 7. اجرای برنامه ============
if name == "main":
    print("\n" + "="*60)
    print("✅ سیستم آماده است!")
    print(f"📊 تعداد داده‌های آموزشی: {len(df)}")
    print(f"🤖 مدل احساس‌سنجی: {'فعال' if sen else 'غیرفعال'}")
    print(f"🧠 مدل Logistic Regression: فعال")
    print("🌐 در حال راه‌اندازی رابط کاربری...")
    print("="*60 + "\n")
    
    demo.launch(
        server_name="0.0.0.0",
        server_port=7860,
        share=False,
        debug=False,
        show_error=True
    )