|
| 1 | +import re |
| 2 | +from typing import List, Dict |
| 3 | +from nltk.tokenize import sent_tokenize, word_tokenize |
| 4 | +from nltk.corpus import stopwords |
| 5 | +from transformers import AutoTokenizer, AutoModelForSeq2SeqLM |
| 6 | + |
| 7 | + |
| 8 | +class VkrQuestionGenerator: |
| 9 | + """ |
| 10 | + Генератор вопросов по тексту ВКР. |
| 11 | + Основан на гибридном подходе: NLTK + rut5-base-multitask. |
| 12 | + """ |
| 13 | + def __init__(self, vkr_text: str, model_path: str = "./rut5-base"): |
| 14 | + self.vkr_text = vkr_text |
| 15 | + self.sentences = sent_tokenize(vkr_text) |
| 16 | + self.stopwords = set(stopwords.words("russian")) |
| 17 | + |
| 18 | + # ---- Модель rut5 ---- |
| 19 | + self.tokenizer = AutoTokenizer.from_pretrained(model_path, use_fast=False) |
| 20 | + self.model = AutoModelForSeq2SeqLM.from_pretrained(model_path) |
| 21 | + |
| 22 | + # --------------------------------------------------------- |
| 23 | + # --- 1. ЭВРИСТИКА: Извлечение ключевых частей ВКР --- |
| 24 | + # --------------------------------------------------------- |
| 25 | + |
| 26 | + def extract_section(self, title: str) -> str: |
| 27 | + """ |
| 28 | + Универсальный метод извлечения раздела по заголовку. |
| 29 | + """ |
| 30 | + pattern = rf"{title}.*?(?=\n[A-ZА-Я][^\n]*\n)" |
| 31 | + m = re.search(pattern, self.vkr_text, re.DOTALL | re.IGNORECASE) |
| 32 | + return m.group(0) if m else "" |
| 33 | + |
| 34 | + def extract_intro(self) -> str: |
| 35 | + return self.extract_section("Введение") |
| 36 | + |
| 37 | + def extract_conclusion(self) -> str: |
| 38 | + return self.extract_section("Заключение") |
| 39 | + |
| 40 | + def extract_methodology(self) -> str: |
| 41 | + return self.extract_section("Методолог") |
| 42 | + |
| 43 | + # --------------------------------------------------------- |
| 44 | + # --- 2. ЭВРИСТИКА: Поиск ключевых концепций --- |
| 45 | + # --------------------------------------------------------- |
| 46 | + |
| 47 | + def extract_keywords(self, text: str) -> List[str]: |
| 48 | + tokens = word_tokenize(text.lower()) |
| 49 | + return [ |
| 50 | + t for t in tokens |
| 51 | + if t.isalnum() and t not in self.stopwords and len(t) > 4 |
| 52 | + ] |
| 53 | + |
| 54 | + # --------------------------------------------------------- |
| 55 | + # --- 3. Генерация вопросов через rut5 (режим ask) --- |
| 56 | + # --------------------------------------------------------- |
| 57 | + |
| 58 | + def llm_generate_question(self, text_fragment: str) -> str: |
| 59 | + """ |
| 60 | + Генерация вопроса по фрагменту текста через rut5 ask |
| 61 | + """ |
| 62 | + prompt = f"ask: {text_fragment}" |
| 63 | + enc = self.tokenizer(prompt, return_tensors="pt", truncation=True) |
| 64 | + out = self.model.generate( |
| 65 | + **enc, |
| 66 | + max_length=64, |
| 67 | + num_beams=5, |
| 68 | + early_stopping=True |
| 69 | + ) |
| 70 | + return self.tokenizer.decode(out[0], skip_special_tokens=True) |
| 71 | + |
| 72 | + # --------------------------------------------------------- |
| 73 | + # --- 4. ЭВРИСТИЧЕСКИЕ ШАБЛОНЫ (из документа) --- |
| 74 | + # --------------------------------------------------------- |
| 75 | + |
| 76 | + def heuristic_questions(self) -> List[str]: |
| 77 | + """ |
| 78 | + Генерация вопросов по эвристикам из загруженных PDF. |
| 79 | + """ |
| 80 | + intro = self.extract_intro() |
| 81 | + conc = self.extract_conclusion() |
| 82 | + meth = self.extract_methodology() |
| 83 | + keywords = self.extract_keywords(self.vkr_text) |
| 84 | + |
| 85 | + q = [] |
| 86 | + |
| 87 | + # --- По связям между разделами --- |
| 88 | + if intro and conc: |
| 89 | + q.append("Как сформулированные во введении задачи связаны с выводами работы?") |
| 90 | + |
| 91 | + # --- По методологии --- |
| 92 | + if meth: |
| 93 | + for kw in keywords[:3]: |
| 94 | + q.append(f"Почему был выбран метод {kw} и где он применён в работе?") |
| 95 | + |
| 96 | + # --- По выводам --- |
| 97 | + if conc: |
| 98 | + q.append("На основании каких данных был сделан ключевой вывод в заключении?") |
| 99 | + |
| 100 | + # --- Общие вопросы (из документа) --- |
| 101 | + q.extend([ |
| 102 | + "Есть ли опенсорс аналоги упомянутых решений?", |
| 103 | + "В чем практическая значимость представленного метода?", |
| 104 | + "Какие ограничения имеет разработанный подход?", |
| 105 | + "Для каких дополнительных задач можно применить полученные результаты?", |
| 106 | + ]) |
| 107 | + |
| 108 | + return q |
| 109 | + |
| 110 | + # --------------------------------------------------------- |
| 111 | + # --- 5. Гибридная генерация: LLM + эвристики --- |
| 112 | + # --------------------------------------------------------- |
| 113 | + |
| 114 | + def generate_llm_questions(self, count=5) -> List[str]: |
| 115 | + """ |
| 116 | + Генерация N вопросов через rut5 по ключевым фрагментам документа. |
| 117 | + """ |
| 118 | + q = [] |
| 119 | + fragments = self.sentences[:40] # первые ~40 предложений для контекста |
| 120 | + |
| 121 | + step = max(1, len(fragments) // count) |
| 122 | + |
| 123 | + for i in range(0, len(fragments), step): |
| 124 | + frag = fragments[i] |
| 125 | + try: |
| 126 | + llm_q = self.llm_generate_question(frag) |
| 127 | + if len(llm_q) > 10: |
| 128 | + q.append(llm_q) |
| 129 | + except: |
| 130 | + continue |
| 131 | + |
| 132 | + if len(q) >= count: |
| 133 | + break |
| 134 | + |
| 135 | + return q |
| 136 | + |
| 137 | + # --------------------------------------------------------- |
| 138 | + # --- 6. Главный метод --- |
| 139 | + # --------------------------------------------------------- |
| 140 | + |
| 141 | + def generate_all(self) -> List[str]: |
| 142 | + """ |
| 143 | + Генерирует полный набор вопросов: |
| 144 | + - эвристические |
| 145 | + - модельные (LLM) |
| 146 | + """ |
| 147 | + result = [] |
| 148 | + result.extend(self.heuristic_questions()) |
| 149 | + result.extend(self.generate_llm_questions(count=7)) |
| 150 | + return list(dict.fromkeys(result)) # убрать дубли |
0 commit comments