librerIA Chatbot

librerIA Chatbot es un chatbot de IA 100% local diseñado para proporcionar recomendaciones y responder preguntas sobre libros utilizando modelos de NLP y una base de datos Neo4j. Este es el proyecto final de la asignatura de Sistemas de Información de Gestión y Business Intelligence del Grado en Ingeniería Informática de la Universidad de León.

Estructura del Proyecto

• agents/: Contiene la lógica del agente y herramientas relacionadas.
• data/: Archivos de datos y scripts de procesamiento.
• doc/: Documentación del proyecto.
• models/: Gestión de embeddings y modelos.
• testing/: Scripts de prueba.
• utils/: Utilidades y scripts auxiliares.
• view/: Interfaz de usuario y lógica de presentación.
• .env: Archivo de configuración de variables de entorno.
• .gitignore: Lista de archivos y directorios que Git debe ignorar.
• main.py: Punto de entrada principal de la aplicación.
• requirements.txt: Lista de dependencias del proyecto.
• README.md: Breve descripción del proyecto.

Instalación

1. Clona el repositorio:

   git clone https://github.com/Apriea04/librerIA-chatbot
   cd libreIA-chatbot

2. Se recomienda crear y activar un entorno virtual con Python 3.11.9.

3. Instala las dependencias:

   pip install -r requirements.txt

4. Descarga e instala Ollama y los modelos necesarios, por ejemplo, llama3.3.

5. Descarga, instala y crea una nueva BBDD en Neo4j.

6. Configura las variables de entorno en el archivo .env:

   NEO4J_URI=bolt://<TU_URI_NEO4J>
   NEO4J_USERNAME=<TU_USUARIO_NEO4J>
   NEO4J_PASSWORD=<TU_CONTRASEÑA_NEO4J>
   ALL_BOOKS_PATH=data/books_data.csv
   ALL_RATINGS_PATH=data/books_rating.csv
   BOOKS_PATH=data/books_data.csv
   RATINGS_PATH=data/books_rating.csv
   BATCH_SIZE=10000
   EMBEDDINGS_MODEL=dunzhang/stella_en_1.5B_v5
   AGENT_LLM_MODEL=llama3.3

7. Descarga el dataset Amazon Book Reviews de Kaggle.

8. Ejecuta el fichero data/dataset_corrections.py para limpiar y procesar el dataset.

9. Abre una conexion con la BBDD y ejecuta la consulta Cypher del fichero utils/load.cypher.

10. Ejecuta el método generate_embeddings_for de la clase DBManager para generar los embeddings de los campos necesarios y guardarlos en la BBDD, pasando como parámetros los siguientes valores:

    • "Book", "title", "title"; para los títulos de los libros.
    • "Book", "description", "title"; para las descripciones de los libros.
    • "Review", "summary", ""; para los resúmenes de las reseñas.
    • "Review", "text", ""; para los textos de las reseñas.

Ejecución

1. Poner en marcha la BBDD de Neo4j.

2. Ejecutar Ollama para tener un servidor de LLM.

3. Ejecutar la aplicación:

   streamlit run main.py

4. Abre tu navegador web y ve a http://localhost:8501 para interactuar con el chatbot.

Nótese que al ser la ejecución 100% local, es posible que el sistema sea lento.

Autor

Este proyecto ha sido desarrollado por Álvaro Prieto Álvarez.