Update app.py

app.py

@@ -8,14 +8,13 @@ import queue
 import torch
 
 # Загружаем модель
-model_name = "HIT-TMG/KaLM-embedding-multilingual-mini-instruct-v1.5"
+model_name = "BAAI/bge-m3"  # ИЗМЕНЕНО: Используем BGE-M3
 model = SentenceTransformer(model_name)
-# model.max_seq_length = 8192  # Убираем явное ограничение длины последовательности
 
 # Имя файла для сохранения эмбеддингов
-embeddings_file = f"movie_embeddings_{model_name.replace('/', '_')}.json"
+embeddings_file = f"movie_embeddings_{model_name.replace('/', '_')}.json" # ИЗМЕНЕНО: изменено имя файла
 # Имя файла для сохранения эмбеддингов запросов
-query_embeddings_file = f"query_embeddings_{model_name.replace('/', '_')}.json"
+query_embeddings_file = f"query_embeddings_{model_name.replace('/', '_')}.json" # ИЗМЕНЕНО: изменено имя файла
 
 # Загружаем данные из файла movies.json
 try:
@@ -56,17 +55,15 @@ search_in_progress = False
 movie_embeddings_lock = threading.Lock()
 
 # Размер пакета для обработки эмбеддингов
-batch_size = 32  # Увеличиваем размер пакета в 2 раза
+batch_size = 32
 
-# Инструкция для запроса
-query_prompt = "Инструкция: Найди релевантные фильмы по запросу. \n Запрос: "
+# ИЗМЕНЕНО: убрана инструкция для запроса, так как она не нужна для BGE-M3
+# query_prompt = "Инструкция: Найди релевантные фильмы по запросу. \n Запрос: "
 
-def encode_string(text, prompt=None):
-    """Кодирует строку в эмбеддинг с использованием инструкции, если она задана."""
-    if prompt:
-        return model.encode(text, prompt=prompt, convert_to_tensor=True, normalize_embeddings=True)
-    else:
-        return model.encode(text, convert_to_tensor=True, normalize_embeddings=True)
+def encode_string(text):
+    """Кодирует строку в эмбеддинг."""
+    # ИЗМЕНЕНО: убран аргумент prompt
+    return model.encode(text, convert_to_tensor=True, normalize_embeddings=True)
 
 def process_movies():
     """
@@ -112,8 +109,7 @@ def process_movies():
 
 def get_query_embedding(query):
     """
-    Возвращает эмбеддинг для запроса с инструкцией. 
-    Если эмбеддинг уже создан, возвращает его из словаря.
+    Возвращает эмбеддинг для запроса. Если эмбеддинг уже создан, возвращает его из словаря.
     Иначе создает эмбеддинг, сохраняет его и возвращает.
     """
     if query in query_embeddings:
@@ -121,7 +117,8 @@ def get_query_embedding(query):
         return query_embeddings[query]
     else:
         print(f"Создается эмбеддинг для запроса '{query}'...")
-        embedding = encode_string(query, prompt=query_prompt).tolist()
+        # ИЗМЕНЕНО: убран prompt
+        embedding = encode_string(query).tolist()
         query_embeddings[query] = embedding
         # Сохраняем эмбеддинги запросов в файл
         with open(query_embeddings_file, "w", encoding="utf-8") as f:
@@ -131,7 +128,7 @@ def get_query_embedding(query):
 
 def search_movies(query, top_k=10):
     """
-    Ищет наиболее похожие фильмы по запросу с использованием инструкции.
+    Ищет наиболее похожие фильмы по запросу.
 
     Args:
         query: Текстовый запрос.
@@ -146,7 +143,8 @@ def search_movies(query, top_k=10):
     print(f"\n\033[1mПоиск по запросу: '{query}'\033[0m")
 
     print(f"Начало создания эмбеддинга для запроса: {time.strftime('%Y-%m-%d %H:%M:%S')}")
-    query_embedding_tensor = encode_string(query, prompt=query_prompt)
+    # ИЗМЕНЕНО: вызов функции get_query_embedding
+    query_embedding_tensor = torch.tensor(get_query_embedding(query))
     print(f"Окончание создания эмбеддинга для запроса: {time.strftime('%Y-%m-%d %H:%M:%S')}")
 
     with movie_embeddings_lock: