File size: 6,616 Bytes
dbf2148 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 |
import re
from typing import Dict, Tuple, Optional
from sentence_transformers import SentenceTransformer
from config.settings import settings
class MultilingualManager:
def __init__(self):
self.vietnamese_model = None
self.multilingual_model = None
self.current_language = 'vi'
# Phát hiện thuộc ngôn ngữ dựa trên các mẫu ký tự và từ phổ biến
self.language_patterns = {
'vi': {
'chars': set('àáâãèéêìíòóôõùúýăđĩũơưạảấầẩẫậắằẳẵặẹẻẽếềểễệỉịọỏốồổỗộớờởỡợụủứừửữựỳỵỷỹ'),
'common_words': ['của', 'và', 'là', 'có', 'được', 'trong', 'cho', 'với', 'như', 'tôi']
},
'en': {
'chars': set('abcdefghijklmnopqrstuvwxyz'),
'common_words': ['the', 'and', 'is', 'are', 'for', 'with', 'this', 'that', 'you', 'they']
},
'fr': {
'chars': set('àâæçèéêëîïôœùûüÿ'),
'common_words': ['le', 'la', 'et', 'est', 'dans', 'pour', 'avec', 'vous', 'nous', 'ils']
},
'es': {
'chars': set('áéíóúñü'),
'common_words': ['el', 'la', 'y', 'es', 'en', 'por', 'con', 'los', 'las', 'del']
},
'de': {
'chars': set('äöüß'),
'common_words': ['der', 'die', 'das', 'und', 'ist', 'in', 'für', 'mit', 'sich', 'nicht']
},
'ja': {
'chars': set('ぁ-んァ-ン一-龯'),
'common_words': ['の', 'に', 'は', 'を', 'た', 'で', 'し', 'が', 'ます', 'です']
},
'ko': {
'chars': set('가-힣'),
'common_words': ['이', '그', '에', '를', '의', '에', '에서', '으로', '하다', '이다']
},
'zh': {
'chars': set('一-鿌'),
'common_words': ['的', '是', '在', '有', '和', '了', '人', '我', '他', '这']
}
}
self._initialize_models()
def _initialize_models(self):
"""Khởi tạo các mô hình đa ngôn ngữ"""
try:
print("🔄 Đang tải mô hình embedding tiếng Việt...")
self.vietnamese_model = SentenceTransformer(settings.VIETNAMESE_EMBEDDING_MODEL)
print("✅ Đã tải mô hình embedding tiếng Việt")
except Exception as e:
print(f"❌ Lỗi tải mô hình embedding tiếng Việt: {e}")
self.vietnamese_model = None
try:
print("🔄 Đang tải mô hình embedding đa ngôn ngữ...")
self.multilingual_model = SentenceTransformer(settings.MULTILINGUAL_EMBEDDING_MODEL,trust_remote_code=True )
print("✅ Đã tải mô hình embedding đa ngôn ngữ")
except Exception as e:
print(f"❌ Lỗi tải mô hình embedding đa ngôn ngữ: {e}")
self.multilingual_model = None
def detect_language(self, text: str) -> str:
"""Phát hiện ngôn ngữ với độ chính xác cao"""
if not text or len(text.strip()) == 0:
return 'vi' # Default to Vietnamese
text_lower = text.lower()
scores = {}
for lang, patterns in self.language_patterns.items():
score = 0
# Score based on special characters
char_score = sum(1 for char in text if char in patterns['chars'])
score += char_score * 2
# Score based on common words
word_score = sum(1 for word in patterns['common_words'] if word in text_lower)
score += word_score
scores[lang] = score
# Return language with highest score
detected_lang = max(scores.items(), key=lambda x: x[1])[0]
# If no strong detection, use character-based fallback
if max(scores.values()) < 3:
vietnamese_chars = set('àáâãèéêìíòóôõùúýăđĩũơưạảấầẩẫậắằẳẵặẹẻẽếềểễệỉịọỏốồổỗộớờởỡợụủứừửữựỳỵỷỹ')
if any(char in vietnamese_chars for char in text):
return 'vi'
elif any(char in text for char in 'あいうえおぁ-んァ-ン'):
return 'ja'
elif any(char in text for char in '你好'):
return 'zh'
elif any(char in text for char in '안녕'):
return 'ko'
else:
return 'en' # Default to English for other cases
return detected_lang
def get_embedding_model(self, language: str = None) -> Optional[SentenceTransformer]:
"""Lấy mô hình embedding dựa trên ngôn ngữ đã phát hiện"""
lang = language if language in settings.SUPPORTED_LANGUAGES else self.current_language
if lang == 'vi':
return self.vietnamese_model
else:
return self.multilingual_model
def get_llm_model_name(self, language: str = None) -> str:
"""Lấy tên mô hình LLM dựa trên ngôn ngữ đã phát hiện"""
lang = language if language in settings.SUPPORTED_LANGUAGES else self.current_language
if lang == 'vi':
return settings.VIETNAMESE_LLM_MODEL
else:
return settings.MULTILINGUAL_LLM_MODEL
def get_language_info(self, language: str = None) -> Dict:
"""Lấy thông tin ngôn ngữ bao gồm mã và tên đầy đủ"""
lang = language if language in settings.SUPPORTED_LANGUAGES else self.current_language
model_info = {
'vi': {
'name': 'Tiếng Việt',
'embedding_model': settings.VIETNAMESE_EMBEDDING_MODEL,
'llm_model': settings.VIETNAMESE_LLM_MODEL,
'status': 'active' if self.vietnamese_model else 'inactive'
},
'other': {
'name': 'Multilingual',
'embedding_model': settings.MULTILINGUAL_EMBEDDING_MODEL,
'llm_model': settings.MULTILINGUAL_LLM_MODEL,
'status': 'active' if self.multilingual_model else 'inactive'
}
}
if lang == 'vi':
return model_info['vi']
else:
return model_info['other']
|