# 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"""

{icon} {result}

📊 جزئیات تحلیل:

📝 نظر شما: {review[:80]}{'...' if len(review) > 80 else ''}
😊 تحلیل احساس: {'مثبت 😊' if des == 1 else 'منفی 😞'} ({sentiment_conf:.1%})
🔺 نقاط قوت: {strengths} از ۳
🔻 نقاط ضعف: {weaknesses} از ۳
⭐ امتیاز: {rating} از ۵
🤖 تصمیم مدل: {'تایید ✅' if pred == 1 else 'رد ❌'}
📈 اطمینان مدل: {pred_proba[max(pred, 0)]:.1%}

📋 نکته: این سیستم بر اساس {len(df)} نظر آموزش دیده است. ترکیب احساس متن، نقاط قوت/ضعف و امتیاز در تصمیم‌گیری تأثیر دارد.

""" return report except Exception as e: return f"""

⚠️ خطا در پردازش

خطای زیر رخ داد:

{str(e)}

لطفاً دوباره تلاش کنید.

""" # ============ 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="
نتیجه تحلیل نظر شما اینجا نمایش داده خواهد شد...
" ) # 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 )