Skip to content
This repository has been archived by the owner on Jan 12, 2025. It is now read-only.

Latest commit

 

History

History
85 lines (61 loc) · 3.11 KB

readme.md

File metadata and controls

85 lines (61 loc) · 3.11 KB

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.