Update app.py

app.py

@@ -58,6 +58,32 @@ def generate_response(input_text):
     response = tokenizer.decode(outputs.logits.argmax(dim=1)[0])
     return response
 
+# FAISS használata az előző beszélgetések indexelésére és keresésére
+if st.session_state.previous_conversations:
+    # Először hozz létre egy üres FAISS indexet
+    index = faiss.IndexFlatL2(embedding_dimension)  # Az embedding_dimension a vektormérete az előző beszélgetések reprezentálásához
+
+    # Az előző beszélgetéseket reprezentáló vektorokat hozzáadhatod az indexhez
+    previous_conversation_vectors = generate_vectors_from_previous_conversations(st.session_state.previous_conversations)
+    for conversation_vector in previous_conversation_vectors:
+        index.add(conversation_vector)
+
+    # Keresés egy adott lekérdezés vektor alapján
+    query_vector = generate_vector_from_text(input_text)  # A lekérdezés szövegből létrehozott vektor
+    k = 5  # A legjobb 5 hasonlóságú beszélgetés visszaadása
+    D, I = index.search(query_vector, k)  # D: távolságok, I: indexek
+
+    # Azon beszélgetések visszaadása, amelyek a legjobban illeszkednek a lekérdezéshez
+    relevant_conversations = [st.session_state.previous_conversations[i] for i in I]
+
+    # Az eredmények megjelenítése
+    st.subheader("Legjobban Illeszkedő Beszélgetések:")
+    for i, conversation in enumerate(relevant_conversations):
+        st.write(f"{i+1}. Kérdés: {conversation['input_text']}")
+        st.write(f"   Válasz: {conversation['response']}")
+else:
+    st.info("Nincsenek előző beszélgetések az indexeléshez.")
+
 # Dokumentum feltöltése drag and drop segítségével
 document_file = st.file_uploader("Húzd ide a dokumentumot vagy kattints a feltöltéshez", type=["pdf", "docx", "doc"])
 
@@ -84,19 +110,3 @@ if document_file is not None:
 
         # Aktuális beszélgetés hozzáadása az előző beszélgetésekhez
         st.session_state.previous_conversations.append({"input_text": input_text, "response": response})
-
-        # FAISS használata az előző beszélgetések indexelésére és keresésére
-        # Először hozz létre egy üres FAISS indexet
-        index = faiss.IndexFlatL2(embedding_dimension)  # Az embedding_dimension a vektormérete az előző beszélgetések reprezentálásához
-
-        # Az előző beszélgetéseket reprezentáló vektorokat hozzáadhatod az indexhez
-        for conversation_vector in previous_conversation_vectors:
-            index.add(conversation_vector)
-
-        # Keresés egy adott lekérdezés vektor alapján
-        query_vector = generate_vector_from_text(input_text)  # A lekérdezés szövegből létrehozott vektor
-        k = 5  # A legjobb 5 hasonlóságú beszélgetés visszaadása
-        D, I = index.search(query_vector, k)  # D: távolságok, I: indexek
-
-        # Azon beszélgetések visszaadása, amelyek a legjobban illeszkednek a lekérdezéshez
-        relevant_conversations = [st.session_state.previous_conversations[i] for i in I]