From 29c2add74e95d3c3aeab1520a2a7e55c900dc50f Mon Sep 17 00:00:00 2001
From: aliakbar
Date: Mon, 29 Jun 2026 15:32:24 +0330
Subject: [PATCH] First Initialization
---
New Text Document.txt | 46 ++
__pycache__/config.cpython-313.pyc | Bin 0 -> 297 bytes
app.py | 240 +++++++++
config.py | 3 +
modules/__init__.py | 14 +
modules/__pycache__/__init__.cpython-313.pyc | Bin 0 -> 404 bytes
.../__pycache__/api_handler.cpython-313.pyc | Bin 0 -> 8551 bytes
.../__pycache__/data_manager.cpython-313.pyc | Bin 0 -> 4400 bytes
modules/__pycache__/segmenter.cpython-313.pyc | Bin 0 -> 5716 bytes
.../__pycache__/segmenter_old.cpython-313.pyc | Bin 0 -> 4953 bytes
.../__pycache__/visualizer.cpython-313.pyc | Bin 0 -> 9372 bytes
modules/api_handler.py | 125 +++++
modules/data_manager.py | 59 +++
modules/segmenter.py | 116 +++++
modules/visualizer.py | 216 +++++++++
projects/2026-04-17_23-05-31/tree_data.csv | 7 +
projects/2026-04-17_23-20-18/tree_data.csv | 7 +
.../tree_visualization.html | 0
projects/2026-04-17_23-25-21/tree_data.csv | 7 +
.../tree_visualization.html | 341 +++++++++++++
projects/2026-04-17_23-37-02/tree_data.csv | 5 +
.../tree_visualization.html | 360 ++++++++++++++
projects/2026-04-17_23-45-04/tree_data.csv | 7 +
.../tree_visualization.html | 360 ++++++++++++++
projects/2026-04-17_23-46-38/tree_data.csv | 7 +
.../tree_visualization.html | 360 ++++++++++++++
projects/2026-04-17_23-48-07/tree_data.csv | 5 +
.../tree_visualization.html | 360 ++++++++++++++
projects/2026-04-17_23-55-01/tree_data.csv | 7 +
.../tree_visualization.html | 360 ++++++++++++++
projects/2026-04-18_00-03-54/tree_data.csv | 7 +
.../tree_visualization.html | 359 ++++++++++++++
projects/2026-04-18_00-22-06/tree_data.csv | 7 +
.../tree_visualization.html | 359 ++++++++++++++
projects/2026-04-18_00-26-18/tree_data.csv | 5 +
.../tree_visualization.html | 359 ++++++++++++++
.../node_L1_3_graph/graph.html | 359 ++++++++++++++
.../node_L1_3_graph/propositions.csv | 14 +
.../node_L1_3_graph/relations.csv | 12 +
.../node_L1_3_graph/scores.csv | 12 +
projects/2026-04-18_00-53-56/tree_data.csv | 21 +
.../tree_visualization.html | 359 ++++++++++++++
.../node_L1_4_graph/graph.html | 359 ++++++++++++++
.../node_L1_4_graph/propositions.csv | 11 +
.../node_L1_4_graph/relations.csv | 35 ++
.../node_L1_4_graph/scores.csv | 33 ++
projects/2026-04-18_00-58-49/tree_data.csv | 19 +
.../tree_visualization.html | 359 ++++++++++++++
projects/2026-04-22_23-54-42/tree_data.csv | 192 ++++++++
.../tree_visualization.html | 454 ++++++++++++++++++
projects/2026-04-23_00-42-09/tree_data.csv | 196 ++++++++
.../tree_visualization.html | 454 ++++++++++++++++++
.../node_L1_1_graph/graph.html | 359 ++++++++++++++
.../node_L1_1_graph/propositions.csv | 13 +
.../node_L1_1_graph/relations.csv | 15 +
.../node_L1_1_graph/scores.csv | 15 +
.../node_L1_2_graph/graph.html | 359 ++++++++++++++
.../node_L1_2_graph/propositions.csv | 29 ++
.../node_L1_2_graph/relations.csv | 68 +++
.../node_L1_2_graph/scores.csv | 66 +++
.../node_L1_8_graph/graph.html | 359 ++++++++++++++
.../node_L1_8_graph/propositions.csv | 10 +
.../node_L1_8_graph/relations.csv | 13 +
.../node_L1_8_graph/scores.csv | 13 +
.../node_L2_37_graph/graph.html | 359 ++++++++++++++
.../node_L2_37_graph/propositions.csv | 8 +
.../node_L2_37_graph/relations.csv | 6 +
.../node_L2_37_graph/scores.csv | 6 +
.../node_L2_41_graph/graph.html | 359 ++++++++++++++
.../node_L2_41_graph/propositions.csv | 3 +
.../node_L2_41_graph/relations.csv | 1 +
.../node_L2_41_graph/scores.csv | 1 +
.../node_L2_42_graph/graph.html | 359 ++++++++++++++
.../node_L2_42_graph/propositions.csv | 11 +
.../node_L2_42_graph/relations.csv | 2 +
.../node_L2_42_graph/scores.csv | 2 +
.../node_L2_43_graph/graph.html | 359 ++++++++++++++
.../node_L2_43_graph/propositions.csv | 5 +
.../node_L2_43_graph/relations.csv | 2 +
.../node_L2_43_graph/scores.csv | 2 +
.../node_L3_48_graph/graph.html | 359 ++++++++++++++
.../node_L3_48_graph/propositions.csv | 4 +
.../node_L3_48_graph/relations.csv | 1 +
.../node_L3_48_graph/scores.csv | 1 +
.../node_L4_ROOT_graph/graph.html | 359 ++++++++++++++
.../node_L4_ROOT_graph/propositions.csv | 6 +
.../node_L4_ROOT_graph/relations.csv | 1 +
.../node_L4_ROOT_graph/scores.csv | 1 +
projects/2026-04-23_00-45-38/tree_data.csv | 192 ++++++++
.../tree_visualization.html | 454 ++++++++++++++++++
projects/2026-04-23_10-40-24/tree_data.csv | 196 ++++++++
.../tree_visualization.html | 454 ++++++++++++++++++
projects/2026-05-01_13-22-50/tree_data.csv | 197 ++++++++
.../tree_visualization.html | 454 ++++++++++++++++++
static/css/style.css | 213 ++++++++
static/js/main.js | 32 ++
static/js/vis-network.min.js | 49 ++
templates/graph_view.html | 34 ++
templates/index.html | 25 +
templates/loading.html | 14 +
templates/new_project.html | 31 ++
templates/tree_view.html | 59 +++
tests/est_api.py | 45 ++
tests/test_segmenter.py | 37 ++
viewMode_app.py | 158 ++++++
105 files changed, 13177 insertions(+)
create mode 100644 New Text Document.txt
create mode 100644 __pycache__/config.cpython-313.pyc
create mode 100644 app.py
create mode 100644 config.py
create mode 100644 modules/__init__.py
create mode 100644 modules/__pycache__/__init__.cpython-313.pyc
create mode 100644 modules/__pycache__/api_handler.cpython-313.pyc
create mode 100644 modules/__pycache__/data_manager.cpython-313.pyc
create mode 100644 modules/__pycache__/segmenter.cpython-313.pyc
create mode 100644 modules/__pycache__/segmenter_old.cpython-313.pyc
create mode 100644 modules/__pycache__/visualizer.cpython-313.pyc
create mode 100644 modules/api_handler.py
create mode 100644 modules/data_manager.py
create mode 100644 modules/segmenter.py
create mode 100644 modules/visualizer.py
create mode 100644 projects/2026-04-17_23-05-31/tree_data.csv
create mode 100644 projects/2026-04-17_23-20-18/tree_data.csv
create mode 100644 projects/2026-04-17_23-20-18/tree_visualization.html
create mode 100644 projects/2026-04-17_23-25-21/tree_data.csv
create mode 100644 projects/2026-04-17_23-25-21/tree_visualization.html
create mode 100644 projects/2026-04-17_23-37-02/tree_data.csv
create mode 100644 projects/2026-04-17_23-37-02/tree_visualization.html
create mode 100644 projects/2026-04-17_23-45-04/tree_data.csv
create mode 100644 projects/2026-04-17_23-45-04/tree_visualization.html
create mode 100644 projects/2026-04-17_23-46-38/tree_data.csv
create mode 100644 projects/2026-04-17_23-46-38/tree_visualization.html
create mode 100644 projects/2026-04-17_23-48-07/tree_data.csv
create mode 100644 projects/2026-04-17_23-48-07/tree_visualization.html
create mode 100644 projects/2026-04-17_23-55-01/tree_data.csv
create mode 100644 projects/2026-04-17_23-55-01/tree_visualization.html
create mode 100644 projects/2026-04-18_00-03-54/tree_data.csv
create mode 100644 projects/2026-04-18_00-03-54/tree_visualization.html
create mode 100644 projects/2026-04-18_00-22-06/tree_data.csv
create mode 100644 projects/2026-04-18_00-22-06/tree_visualization.html
create mode 100644 projects/2026-04-18_00-26-18/tree_data.csv
create mode 100644 projects/2026-04-18_00-26-18/tree_visualization.html
create mode 100644 projects/2026-04-18_00-53-56/node_L1_3_graph/graph.html
create mode 100644 projects/2026-04-18_00-53-56/node_L1_3_graph/propositions.csv
create mode 100644 projects/2026-04-18_00-53-56/node_L1_3_graph/relations.csv
create mode 100644 projects/2026-04-18_00-53-56/node_L1_3_graph/scores.csv
create mode 100644 projects/2026-04-18_00-53-56/tree_data.csv
create mode 100644 projects/2026-04-18_00-53-56/tree_visualization.html
create mode 100644 projects/2026-04-18_00-58-49/node_L1_4_graph/graph.html
create mode 100644 projects/2026-04-18_00-58-49/node_L1_4_graph/propositions.csv
create mode 100644 projects/2026-04-18_00-58-49/node_L1_4_graph/relations.csv
create mode 100644 projects/2026-04-18_00-58-49/node_L1_4_graph/scores.csv
create mode 100644 projects/2026-04-18_00-58-49/tree_data.csv
create mode 100644 projects/2026-04-18_00-58-49/tree_visualization.html
create mode 100644 projects/2026-04-22_23-54-42/tree_data.csv
create mode 100644 projects/2026-04-22_23-54-42/tree_visualization.html
create mode 100644 projects/2026-04-23_00-42-09/tree_data.csv
create mode 100644 projects/2026-04-23_00-42-09/tree_visualization.html
create mode 100644 projects/2026-04-23_00-45-38/node_L1_1_graph/graph.html
create mode 100644 projects/2026-04-23_00-45-38/node_L1_1_graph/propositions.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L1_1_graph/relations.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L1_1_graph/scores.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L1_2_graph/graph.html
create mode 100644 projects/2026-04-23_00-45-38/node_L1_2_graph/propositions.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L1_2_graph/relations.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L1_2_graph/scores.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L1_8_graph/graph.html
create mode 100644 projects/2026-04-23_00-45-38/node_L1_8_graph/propositions.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L1_8_graph/relations.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L1_8_graph/scores.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L2_37_graph/graph.html
create mode 100644 projects/2026-04-23_00-45-38/node_L2_37_graph/propositions.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L2_37_graph/relations.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L2_37_graph/scores.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L2_41_graph/graph.html
create mode 100644 projects/2026-04-23_00-45-38/node_L2_41_graph/propositions.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L2_41_graph/relations.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L2_41_graph/scores.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L2_42_graph/graph.html
create mode 100644 projects/2026-04-23_00-45-38/node_L2_42_graph/propositions.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L2_42_graph/relations.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L2_42_graph/scores.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L2_43_graph/graph.html
create mode 100644 projects/2026-04-23_00-45-38/node_L2_43_graph/propositions.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L2_43_graph/relations.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L2_43_graph/scores.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L3_48_graph/graph.html
create mode 100644 projects/2026-04-23_00-45-38/node_L3_48_graph/propositions.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L3_48_graph/relations.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L3_48_graph/scores.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L4_ROOT_graph/graph.html
create mode 100644 projects/2026-04-23_00-45-38/node_L4_ROOT_graph/propositions.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L4_ROOT_graph/relations.csv
create mode 100644 projects/2026-04-23_00-45-38/node_L4_ROOT_graph/scores.csv
create mode 100644 projects/2026-04-23_00-45-38/tree_data.csv
create mode 100644 projects/2026-04-23_00-45-38/tree_visualization.html
create mode 100644 projects/2026-04-23_10-40-24/tree_data.csv
create mode 100644 projects/2026-04-23_10-40-24/tree_visualization.html
create mode 100644 projects/2026-05-01_13-22-50/tree_data.csv
create mode 100644 projects/2026-05-01_13-22-50/tree_visualization.html
create mode 100644 static/css/style.css
create mode 100644 static/js/main.js
create mode 100644 static/js/vis-network.min.js
create mode 100644 templates/graph_view.html
create mode 100644 templates/index.html
create mode 100644 templates/loading.html
create mode 100644 templates/new_project.html
create mode 100644 templates/tree_view.html
create mode 100644 tests/est_api.py
create mode 100644 tests/test_segmenter.py
create mode 100644 viewMode_app.py
diff --git a/New Text Document.txt b/New Text Document.txt
new file mode 100644
index 0000000..17c131b
--- /dev/null
+++ b/New Text Document.txt
@@ -0,0 +1,46 @@
+NLP_Graph_Project/
+│
+├── app.py # فایل اصلی وبسرور (مدیریت روتها و صفحات وب)
+├── config.py # تنظیمات کلی (مسیر مدلها، کلید API و ...)
+│
+├── modules/ # پوشه ماژولهای پایتونی
+│ ├── __init__.py
+│ ├── segmenter.py # ماژول ۱: سگمنتبندی با مدلهای لوکال (Gap Cosine)
+│ ├── api_handler.py # ماژول ۲: ارتباط با LLM برای استخراج گزاره، روابط و امتیازدهی
+│ ├── visualizer.py # ماژول ۳: رسم درخت و گراف تعاملی با PyVis و Textwrap
+│ └── data_manager.py # مدیریت فایلهای CSV و پوشههای پروژه
+│
+├── static/ # فایلهای استاتیک وب (آفلاین)
+│ ├── css/
+│ │ └── style.css # استایلهای صفحات وب
+│ ├── js/
+│ │ ├── main.js # کدهای جاوااسکریپت برای مدیریت کلیکها و درخواستهای Ajax
+│ │ └── vis-network.min.js # کتابخانه آفلاین PyVis
+│ └── images/
+│
+├── templates/ # صفحات HTML (بخش وب برنامه)
+│ ├── index.html # صفحه ۱: داشبورد و لیست پروژههای گذشته
+│ ├── new_project.html # صفحه ۲: دریافت متن و تعداد سگمنتهای نهایی
+│ ├── loading.html # صفحه ۳: صفحه انتظار و نمایش وضعیت پردازش
+│ ├── tree_view.html # صفحه ۴: نمایش درخت، سایدبار و هندل کردن کلیک روی نودها
+│ └── graph_view.html # صفحه ۵: نمایش گراف نهایی
+│
+├── projects/ # محل ذخیره دیتای پروژهها
+│ ├── 1405-01-28_10-30-00/ # نمونه یک پوشه پروژه بر اساس تاریخ و زمان
+│ │ ├── tree_data.csv # اطلاعات ساختار درخت و سگمنتها
+│ │ ├── tree_visualization.html # فایل آفلاین درخت
+│ │ ├── node_ID_1_graph/ # دیتای مربوط به گراف ساخته شده برای یک نود خاص
+│ │ │ ├── propositions.csv
+│ │ │ ├── relations.csv
+│ │ │ ├── scores.csv
+│ │ │ └── graph.html
+│ │ └── node_ID_2_graph/ # گراف نود دیگر در صورت کلیک کاربر
+│ │ └── ...
+│ └── ...
+│
+├── tests/ # پوشه تست برای ماژولها
+│ ├── test_segmenter.py
+│ ├── test_api.py
+│ └── test_visualizer.py
+│
+└── requirements.txt # لیست پیشنیازهای پروژه
diff --git a/__pycache__/config.cpython-313.pyc b/__pycache__/config.cpython-313.pyc
new file mode 100644
index 0000000000000000000000000000000000000000..60f623750839bc8494418e90c5f13cbbed639d9f
GIT binary patch
literal 297
zcmey&%ge<81PgRtX3hiBk3k$5V1zP03ji5Y8G;##7=js#7=xLLn9`XwS*nbSvvosF
z+{3G~3qveR{PV(#+>?_Gk}AEjO{=oPGqMA-!YxdT3scjR!h`d&1C5M){Cuh;GfGMd
zimmkZ6ALo+(i02P3rh473kvkh46E3HY+aLlKTYOa?2ZAR@!qbHw>X>}gI(i8gM4mr
z`TD!K`o#M=`ns-U_zZH|ElX#sn9$a1yVgpJ50C2HZA^-pY
literal 0
HcmV?d00001
diff --git a/app.py b/app.py
new file mode 100644
index 0000000..6326088
--- /dev/null
+++ b/app.py
@@ -0,0 +1,240 @@
+import os
+import csv
+import json
+import itertools
+from datetime import datetime
+from flask import Flask, render_template, request, redirect, url_for, send_file
+
+# وارد کردن ماژولهای پروژه
+from modules.segmenter import Segmenter
+from modules.api_handler import APIHandler
+from modules.data_manager import DataManager
+from modules.visualizer import Visualizer
+
+app = Flask(__name__)
+
+# مقداردهی اولیه ماژولها
+segmenter = Segmenter()
+api_handler = APIHandler()
+data_manager = DataManager()
+visualizer = Visualizer()
+
+
+@app.route('/', methods=['GET'])
+def index():
+ """نمایش لیست پروژههای قبلی در داشبورد"""
+ projects_dir = data_manager.base_projects_dir
+ projects = []
+ if os.path.exists(projects_dir):
+ projects = [d for d in os.listdir(projects_dir) if os.path.isdir(os.path.join(projects_dir, d))]
+ projects.sort(reverse=True)
+ return render_template('index.html', projects=projects)
+
+
+@app.route('/new_project', methods=['GET'])
+def new_project():
+ """فرم دریافت متن جدید"""
+ return render_template('new_project.html')
+
+
+@app.route('/process', methods=['POST'])
+def process_text():
+ """اجرای الگوریتم پایین به بالا و ساخت درخت با یک ریشه کلان (ROOT)"""
+ text = request.form.get('text')
+ target_count = int(request.form.get('target_segments', 7))
+
+ if not text:
+ return redirect(url_for('new_project'))
+
+ project_name = datetime.now().strftime("%Y-%m-%d_%H-%M-%S")
+ project_path = data_manager.create_project_folder(project_name)
+
+ # مرحله ۱: استخراج جملات خام اولیه
+ sentences = segmenter.extract_sentences(text)
+
+ tree_data_list = []
+ current_level_items = []
+
+ for i, s in enumerate(sentences):
+ node_id = f"node_L0_{i}"
+ current_level_items.append({"id": node_id, "text": s})
+ tree_data_list.append({
+ "level": 0,
+ "segment_id": node_id,
+ "parent_segment_id": "",
+ "original_sentences": [s],
+ "semantic_unit": s
+ })
+
+ level = 1
+ global_node_counter = 1
+
+ # مرحله ۲: سگمنتبندی بازگشتی تا رسیدن به تعداد هدف (مثلا 7 سگمنت)
+ while len(current_level_items) > target_count:
+ texts_to_segment = [item["text"] for item in current_level_items]
+
+ # سگمنتبندی داینامیک
+ grouped_segments_texts = segmenter.segment_items(texts_to_segment)
+
+ # جلوگیری از پرش ناگهانی: اگر تعداد سگمنتها کمتر از هدف شد، آن را وادار کن دقیقاً به اندازه هدف برش بزند
+ if len(grouped_segments_texts) <= target_count:
+ grouped_segments_texts = segmenter.segment_items(texts_to_segment, force_count=target_count)
+
+ next_level_items = []
+ pointer = 0
+
+ for group in grouped_segments_texts:
+ parent_node_id = f"node_L{level}_{global_node_counter}"
+ global_node_counter += 1
+
+ children_ids = []
+ segment_content = []
+
+ for _ in group:
+ child = current_level_items[pointer]
+ children_ids.append(child["id"])
+ segment_content.append(child["text"])
+
+ # ثبت آیدی پدر برای نودهای فرزند
+ for entry in tree_data_list:
+ if entry["segment_id"] == child["id"]:
+ entry["parent_segment_id"] = parent_node_id
+ pointer += 1
+
+ # استخراج واحد معنایی
+ semantic_unit = api_handler.get_semantic_unit(segment_content)
+
+ next_level_items.append({"id": parent_node_id, "text": semantic_unit})
+ tree_data_list.append({
+ "level": level,
+ "segment_id": parent_node_id,
+ "parent_segment_id": "",
+ "original_sentences": segment_content,
+ "semantic_unit": semantic_unit
+ })
+
+ current_level_items = next_level_items
+ level += 1
+
+ # =========================================================================
+ # مرحله ۳: ساخت ریشه نهایی (ROOT) برای کل متن
+ # اتصال تمامی سگمنتهای نهایی (مثلا 7 تا) به یک رأس کلی و گرفتن معنای کلان
+ # =========================================================================
+ if len(current_level_items) > 1:
+ root_node_id = f"node_L{level}_ROOT"
+ root_content = []
+
+ for item in current_level_items:
+ root_content.append(item["text"])
+
+ for entry in tree_data_list:
+ if entry["segment_id"] == item["id"]:
+ entry["parent_segment_id"] = root_node_id
+
+ # ارسال کل 7 واحد معنایی به API برای دریافت غایت نهایی متن
+ root_semantic_unit = api_handler.get_semantic_unit(root_content)
+
+ tree_data_list.append({
+ "level": level,
+ "segment_id": root_node_id,
+ "parent_segment_id": "", # این نود پدر ندارد
+ "original_sentences": root_content,
+ "semantic_unit": root_semantic_unit
+ })
+
+ # ذخیرهسازی دادههای درخت و رسم آن
+ data_manager.save_tree_data(project_path, tree_data_list)
+ tree_html_path = os.path.join(project_path, "tree_visualization.html")
+ visualizer.build_tree(tree_data_list, tree_html_path)
+
+ return redirect(url_for('show_tree', project_name=project_name))
+
+
+@app.route('/tree/')
+def show_tree(project_name):
+ """نمایش صفحه وب حاوی درخت سلسلهمراتبی"""
+ return render_template('tree_view.html', project_name=project_name)
+
+
+@app.route('/tree_iframe/')
+def tree_iframe(project_name):
+ """سرو کردن فایل HTML درخت برای نمایش در iframe"""
+ project_path = os.path.join(data_manager.base_projects_dir, project_name)
+ tree_html_path = os.path.join(project_path, "tree_visualization.html")
+ return send_file(tree_html_path)
+
+
+@app.route('/graph//')
+def generate_and_show_graph(project_name, node_id):
+ """ساخت گراف On-Demand در زمان کلیک روی نود (حتی نود ROOT)"""
+ project_path = os.path.join(data_manager.base_projects_dir, project_name)
+ graph_dir = os.path.join(project_path, f"{node_id}_graph")
+ graph_html_path = os.path.join(graph_dir, "graph.html")
+
+ # اگر از قبل ساخته شده بود، مجدداً پردازش نکن
+ if os.path.exists(graph_html_path):
+ return render_template('graph_view.html', project_name=project_name, node_id=node_id)
+
+ # خواندن جملات نود از CSV
+ node_sentences = []
+ tree_csv = os.path.join(project_path, "tree_data.csv")
+ with open(tree_csv, mode='r', encoding='utf-8') as f:
+ reader = csv.DictReader(f)
+ for row in reader:
+ if row["segment_id"] == node_id:
+ node_sentences = json.loads(row["original_sentences"])
+ break
+
+ if not node_sentences:
+ return "خطا: دیتای نود یافت نشد.", 404
+
+ # ۱. استخراج گزارهها از API
+ raw_props = api_handler.extract_propositions(node_sentences)
+ propositions = [
+ {"proposition_id": i + 1, "sentence": " ".join(node_sentences), "proposition_text": p}
+ for i, p in enumerate(raw_props)
+ ]
+
+ # ۲. بررسی تمام روابط دو به دو بین گزارهها
+ relations = []
+ scores = []
+ rel_id_counter = 1
+
+ for p1, p2 in itertools.combinations(propositions, 2):
+ rel_desc = api_handler.check_relation(p1["proposition_text"], p2["proposition_text"])
+
+ if rel_desc and "ارتباط وجود ندارد" not in rel_desc:
+ score = api_handler.score_relation(rel_desc)
+ if score > 0:
+ relations.append({
+ "relation_id": rel_id_counter,
+ "source_proposition_id": p1["proposition_id"],
+ "target_proposition_id": p2["proposition_id"],
+ "relation_type": rel_desc
+ })
+ scores.append({
+ "relation_id": rel_id_counter,
+ "score": score
+ })
+ rel_id_counter += 1
+
+ # ۳. ذخیره و رسم گراف
+ data_manager.save_graph_data(project_path, node_id, propositions, relations, scores)
+ visualizer.build_graph(propositions, relations, scores, graph_html_path)
+
+ return render_template('graph_view.html', project_name=project_name, node_id=node_id)
+
+
+@app.route('/graph_iframe//')
+def graph_iframe(project_name, node_id):
+ """سرو کردن فایل HTML گراف برای نمایش در iframe"""
+ project_path = os.path.join(data_manager.base_projects_dir, project_name)
+ graph_html_path = os.path.join(project_path, f"{node_id}_graph", "graph.html")
+ return send_file(graph_html_path)
+
+
+if __name__ == '__main__':
+ for folder in ["projects", "templates", "static"]:
+ if not os.path.exists(folder):
+ os.makedirs(folder)
+ app.run(debug=True, port=5000)
\ No newline at end of file
diff --git a/config.py b/config.py
new file mode 100644
index 0000000..6571d22
--- /dev/null
+++ b/config.py
@@ -0,0 +1,3 @@
+API_KEY = "sk-U4GWzkqT9tOnWrGcb0byJk5zjWhkQjW85sqegbWSnkQ22LNL"
+BASE_URL = "https://api.gapgpt.app/v1"
+MODEL_NAME = "gpt-4o" #"gapgpt-qwen-3.5" or OpenAI what ever
diff --git a/modules/__init__.py b/modules/__init__.py
new file mode 100644
index 0000000..77ee5c3
--- /dev/null
+++ b/modules/__init__.py
@@ -0,0 +1,14 @@
+# modules/__init__.py
+
+from .segmenter_old import Segmenter
+from .api_handler import APIHandler
+from .data_manager import DataManager
+from .visualizer import Visualizer
+
+# تعریف صریح کلاسهایی که با ایمپورت پکیج در دسترس قرار میگیرند
+__all__ = [
+ 'Segmenter',
+ 'APIHandler',
+ 'DataManager',
+ 'Visualizer'
+]
diff --git a/modules/__pycache__/__init__.cpython-313.pyc b/modules/__pycache__/__init__.cpython-313.pyc
new file mode 100644
index 0000000000000000000000000000000000000000..0f6f8d15b280ff5c9c9ba40f63b093fc06677b95
GIT binary patch
literal 404
zcmX|-yGjE=6o$|2H6||hRza~yqolAgOER)IW;TJ?3BH04;VTWK
zvPvfgd(X}qPx15r=kgV269iqriqF>KjR1T$VO!Rp*^JPniolCQtyh_{FWDd
z+72Iun)6J&U~;65=hA7!ZNx*l8|>&nZE>v360@ayyb^5IV$F%(O_0p;7Ht5!yZEOY
znD!atS;p80Y>*9lJU*unDwT@zT*x7W5?A}cSddZLhd26d4bwT`LYQiKOT^y6&$Vr_2Aocd)BKj104SXIpk}Y
literal 0
HcmV?d00001
diff --git a/modules/__pycache__/api_handler.cpython-313.pyc b/modules/__pycache__/api_handler.cpython-313.pyc
new file mode 100644
index 0000000000000000000000000000000000000000..80773f7977d26067a6aa8e2b8c1f2af33b3fdba8
GIT binary patch
literal 8551
zcmb_hTWlNGnI2w-H_4JM>Oxs|J(cX#+}5%kM-Hqy&Pu5gTTY!qEO%Q_?S!VrGF^&P
zXUMJMF0i&CSz0v3CW{8S6^M`**|Hp27spl$6o?)c=ooVg0=3%j45{c}s{1
zG1pl^`U?1JT4IpK~A8LH2IiGcNnT>=cbDl=lCV#R1+rp~I2_>53$6>obDn*|1y?j!
zxQKQkeO8~*Z|EzMakDgG+GJM)=T3#7}k9yTyMlt-UTs99kG`s~k*+YuC
zsMipgI~suzMbnbQie}WH&8VU#^92=c^63#JSIDb0tA!3E`bYXbk^tgyac4;){T>$#
z5_U`HqBZIcR5iS*i^;rElgf>ZW|Vw7m(>sos*=nrD$N5Vx|mC+Fs9!eU2UOkQOm38
zQ6tzlmQqHknIVp<>1-Z>RZrzUM8L>s-q^tvl=-I$$Pgb
zbw?{UeErkflbhj|Kb1uke6GO*g=;-e_jC!LbcK3bJfA#Y*W2J(Z4mLEat0p-D+^fi
zIzYZ_z=l0!n7_Eoa@{O~EbguY_#g9RJqSf=yX6=6*tHRQ2hGwXMvZ&-V}aN&L`CN0
zwvRtp=r+9-jsqu$e=?uGtog5#oe-LhD2EiO<8T0z$gV#&fDJsaom01A%~0l1h_kv`hotW$jnc8$MBO`8
z?b0}g8fQhN>kv@V7a`6}>H5E4d0k&78TBP<`YVVykB>!tnLa1^P@N&}WD==%A3a^A
zm?VivSae9u5yOc0$;ue|0x3l5L2Zg27VJ!6YB>vmp{%reiw{Fx&Oi-Fy1fNge<|r7
z(qOE+B?vuBsKC0KqGqr-B!EFXL$<)Ev!XAM$lG@caUms?hW+*XIwq4FdDgf|rkO+W
zIE?%=3DS=<`6hLmu+la3d5w*Z*`$f)+Vj@XoWwzW5{b$Q@R;1NntqqbL$d1gowg0l
zu_RauRz*wwHjFfZ)<2<%B;-WC1WV6gdI@7O{}brr9ti{gTDAsS;V*|7ey%`nateH`
zlwc>4nZ1vf-XNu^6>|gl9tlKK2-8A>xzc2mNrO7`4x5&)K?gK4r=FoQq=owVFbuqA{sHpZ7&F-#BSYYrz6+0KlEmKgKv$Aqu%B9?LW*
z6dE6*=Dc(e=`Co~Zp{-lfg{?HNP?FpyW7#ey)uEOi*~nTuJsv|+@Lw8X*CVr9wj4@
zgX)KwDO4n)roK}G>kanEZBELTPqVl6dv5UF9)Hjx-^}%Tg2oC?pC{~bk
zLkz?U`&{I4OB!?YFCfH86_mrya1U|?OcIJ&j6q*~k|FQuzaX8^HQWwfUGXm1m1Kv{
zvJO`CTdYfH30X})o1jT#J()_705k&Glzb0j&!GaO27r*Xh)Deg^@v*JJQ6wA1dUvp
z;I(h?+BEGnF${?Cx6RD22`ThVQ+))<~<{uVvBbzm>sOni(v
zR!GA@VyFlBU4TJm4TezFYLgaDVQmvIlU2|8lhcUMf%43ImJo82%x6oJR%}r~Qyy~?
z(uB=2g#=9@Ri*%kb)iye+?Xf(!Bjv31|?9#o?3I+U`qzV2DY36G-HOz?P)gjMN9^H
zgA>>}m>@1HLXZp44586oASHvWNpd<96Ocoeg9}h!gqR=We}w`S5lYe_m-{apj{MW<
z#PiT-S)cuLGds(m6~p~y(_utDVNTwe}l$RkrT#U
znld~B<|}JRlq@mMU3q0JFXwZzRu~ycs_Dy$`V?BI#A!6zJveCNu3?3mjwG}BbV@E@
zYh~1^26zX4|^eRmq{82f?F!!)7n#E|77pkw%en%3vtn=
znZ5*3e)fy|5=7A1&pL&$c39Bd*wKZu
z{vJOFE_*t5bTx&4f;fc!2&NV3!QvBS7YNFj5*`v!TGU){Knrc$`09*;S(98X0o91O
z%sNT&GDCG>ipg)NH(KVdM%6=*q3|2{fgL(#q*;p)gBzP*a`G$jBZ@Soi_j1jvufBRo%Vqx&PeUl2B6oB^CKfhg
zLrdnO2(>DLSaWxfS*K4`b856(Do{u{jZAAlo6dP6>10n#2ho;!zSBR9`V4IiHx3Lu
zTH(Cffh@o<#4^N8E;*zbp|qCHYWXCv*YIZ2*x(aLst1rn101A-6>#s#OX+MIWz
z{?JC@WNsQ=S5
ze=7S?`E!k|yV%pv>lao<7p4AC?+MT9uD!j_cvd@I^!|*9H09jn+iOZcTGN3++=b%+
z>rg;shXUIjA@I|Um
z)kE+yRH5xhly62r7{`fCF&d3`iX`ge26syYk;B0Y=dpU(n1~LYg*HPs!O;?jAc*>h
zNM@%WGH`Q<*}lCL_I_!L7EIcTBJH-c*sWVJNcI4ZktrBg2XvYWe}vH&D)0gzWVDte
z6ANyFG#tQ@8Q5~dLzIw-HV_u@65(al=V@PLZqO0hKVjn8AZp?n?Y9Ux%)Ynl#<30I
zGHu_WYE&r4P5>$(MAUhTTm#cjR<}+LETC~X2b(C`bXLv>tSv6-(e0Rd6Jtqi(|=%S
z>Qd6l@z@LVK8(lEj5ghP2e-G^Ly`rMOh(0QL>=22M;$ueD$t3X?PktG&;f?p|834)^k5}0CBaiC(Nq`
zU&6keh}Fb>)#Mb!v^MMO@j-j`bP&@WoC(;(beV`LF$%&mu+aGu00hB6pz8=R!jGfa
zXX-Q3(IaXfq*aeoLc$g%VJzFt5l7g57WhCV9Dh)Ys-buX
zr3pv}hD-oVXJ{tQ1G)GS9!8-fU}A$D?j4eEyDl8I7ZivKl`Am1Ewu!dyu$vj@h4~{
z6B@K}o~Y|x{Wb)=%`gOE&W?g{#wC$0K@;g%fE34bmH{0s1a!lxU4=2S^CyPz;Geu(
zCyA_>cRO2d&jnXFs$BLA4t@0@rbu{5yQ>0GD<>0#Y*m|Qb0Ubt1sP#uc%wdxW`_Sl
zIy;1$62pUA7sE4>97BRVHL(iL+5DWd?XZwW9#XVa1(ytewlH!YH<`H0N##_9^E844
zlc#Z-R>umrhpXzM3uvnS63G?e5A}PdcWg+<)}&+WQdjXrVqHoU<;;exuF2}UoG*@D
zUY9TH;YPx>AaE_zGF1;;iv-IxKE~SWo@8x*Al8N!fnd{SbL8zy|9WY<`9@^D`RS>b
zep}zX8EJdxrRkn```@pBL)>iH{m#*!r>5JdmG`sjEr*Ib522}bbJN6V*@^pKz8@|&
zJojnssm*XBySZulTx*5=pX}^$^@fGjaHzM-v%0sg_lRfph=}*7o86hQi!t0Q7l3R6
zj{LCcGM(^??ls`x{Lr0mv7Wrum?Q^)1J8G=-$3WMGsi_ST|?udI3&ybG8yl+vi!qB
zGGmt1%kqV^s^v53tdh;ivPyu&edTF->!IW{CErG3G|4h(KAn>!^El-`U&t$(EZ-E^
z0>Nfo4NzrD$RD(JB-e#UZl8GIvz-lM0x%|&M)8Tpn?yVpf@^1;f@zL$+bPDejj-hG@68@>~XnV
f4}_WrLhv_2>+ggkYr>KL@r}7$O^*ahSr7jQ*|P%X
literal 0
HcmV?d00001
diff --git a/modules/__pycache__/data_manager.cpython-313.pyc b/modules/__pycache__/data_manager.cpython-313.pyc
new file mode 100644
index 0000000000000000000000000000000000000000..66d57b0c0b397364327b1880e568c3049cfe8f1a
GIT binary patch
literal 4400
zcmcInTWl2989uYKm)Z5~uCHKoF@s|Q3)GICIK@^d5Ic4fh*dntWIek*
zGm8U?(xf86sgS@`ksb9RegmqCOWF$hQlX|zd8&4?6Yn1L5VcXIyb++X
z3%eRo3ld%HkjQqqtQnY1G7=xN|2zx{~
zP_O6#>Jz<~OZp;yQq?CL@@ujtCl&my7i7k4iBvvY`ro?*m2>D&b&B?yW!T{xvQK3X
z!FR}4(I{1;Xz0OC)Wukx+e%~c%?MS<<{q5Vg1%ppfRgZwFoO{fsW~F+ij=|Wqe{%s
zrMQZTE3FfEMm9!?S9wR(4V`df^4kgw=@A!k>q;tt>F#xUKtUh_y*(pQUBUW@Jf`A~
zk<4*pG_C#E64^B(s`4>e9~~*JA#{w4rQ_L@qL0MkW~DLfYTGi$2`5RarW%q&>MJh2
z&F(eV+y!gCj|!VR=eXwE;hHn!ACI4T@8kET7*vahhfYRPM|Ypxz4V&2ELE!uf^Mh2Iy>7cL9MzZ545
ze=MF7p!KKX$%WID)71Fn_|&_T@6Pni
zxAx>)d#)dtUHi%eU#a@ke0WDbyu(&HKgVw=gxBY|^|%_O#OSW!BYL~tE~I&e9rs*aYlmJJecdk28}$y+TU$}ON^Ppq
zI`nc3A*LDS~cxZxUmG|COt+4b^Q4ae|gSStId-T^Cv6h8U+1pQenbR81iqOi9O8EqRe4frP50;?#X~Oz)~c
z!Vq53^ek2+S&ymeU?fy_MqCRl#GTG48e!oCB+#eEjGtiD0B5Qir{7UUrk>@Fr6Gm}
zR9)3{LxwF9HmMlIoq`Y!F0H3E;)!R+G7!$qX*fL|@taPKsUeV%b2XAV#h*}9;Jy?G
zeAW^=VG_h^O(rbNCmaxouB+3)0lse)D*}Xc`IsU(QpvhX*IzzH?NmPx1bn`J&D6l;
zz|?`s12Y>g{9?9#&xD`UDigkMf;DF&Gf!Q>*9UF|`))F~8ycq$|N8LEzI;Q^M1O&=
zo#&hLeDfSHEUevfmi>Bt^QXH$+4b9=v)t{vjnku_ranpKcI=sL-ut)K`MQC8-N5ax
z?rU#;_T~*P_sY-mdk^QvaK1}F`*Ln$N4~zZP`zdh6gN0RK%fcUo;s-Q;0!--@
z-w=u)0D)>T7I
zYdS?Byb%_`&6I4SL;wCxTc>$&T2Fn^f5ybbf=L
z&f=Jvec8*K-G+<-6llI*+3m=ZjN=*QL_m+Fv0`m^FDynpW=ABj0+!0zA*R@mX`sOo
zO19Hkej8@=WjN#002=9LXew#%LMMKE`#SMj>l43uhxAQ?smJ5zfvg5JVG~SB%z*S{
z{R2o-9&DjPGLT-ZfSM~!*PqU{@0+cEal&7jU8?ipZTavvJG=DH@h$hgC{+8KmZ`0i
zTc>tT?wmfJ+y26A?d}`Bxr1WvuyQMy$Q^y#fu~!Y@qB}_9HC6K+K}frOpna*+bOgp
znfv?-sTbO3YkO|g-8_;TK5{D<%Oyu0nRgNMY#;L-V%EIGO!R+UfqiAkKb_;ZF8Wa@
z&fE{Jl)Q7c_J`MFH#>8Oq+7waa&g6xd}a5It+~!u^9}nSw&OSE_*S}OnYj}{)lE6B
zad8XX|ChnU(juH84z<|QBCIJhbHTT4rX`))?O%P}{Q~=WXLo-G`}d9A11|OpA<*CE
z`=TSzzsL6vS74yV7h%k|#~|cI9GHmtFolOWybfv71h2z@Bw0^LsPmHa^Q@dIjf5pB
z0nb!}CS6)uk}!oB+(1b;CHsMp21$Yhi6(BcVPN%0)=+dwx`@o@f|mQ5-SjGg$34t?U4B^KnwxZZzr}l)rwne0s*p-ez
zs0vU7HW#X5NC+k`k?+NVOU`!S>P*#DioE6SCDMuD)#6lM$)sV=J>XAp~Kpu6wLYBa4#|W3^0iN`_2(jElGf|rH)338Wh8qpD
zA)1BP7JrxvFf_#lLV=)<4MdOmWp=sG%0f?Gg!v^jj99{hKnsFZdK3=Csys^Q)p%!C
z<55Ge_2@lX2Rcl!I**Rkk7-;6QSYJ0LU?=jffnTWiJ~pkFjm6v$(PVwLPPmA57C|-
zlV}K2NX?`0C_Sq6gh&0d!i$1A{fa3xIX+m=^A${Bw2rltT9ID*+&YQI
zkju~;3j>8PBg~P)7s7Pr3@IdpX<<&B5oYo8?s@X=4KnkdFoTz-VUQ4J?w-$_6=z^7
ze2JH?-#riPnKKz)yoyD*-ENo(f6JT_rb*$iLL$Rs@mTH+Af0g^H+OAn?Fo<2L9X@C
z7~K+jK{UlU_>8_$8on|YX1Sg4b&VlRLcMj=$BuEwYYRM~STGt02AHv!FW5r2x4@?#
zqmNe<2=@85d%CH8VZSd}{Q5N?%k_s3(QMQg+lG&Q4YY?dEj=XY38%{NnNyk5pzgKb
z-iUAmuH&pQQ|Ho%>IfTPqAdPYqFz=QjwI^jA>A&P$fKa|5J!s^c@hCdSXmJ`r;4M4
zqZ~FDQrywCY1qrrEH~^61=zOX$g${nn0bv2AEy1$_F+%J_Xi(0J{*x>kZr>tFcze_
zVJ>H+?#MAwM^OPL5Tz*5nm1l|?wt-c;toQ05-sXVlV$JzjF5ht;%5zVv?NoIgpcA1Vs%P@(ig?s{9`!SM
z^hG?HJdfs?Jcc1-?mYcvxl!R+j|Sf!{Ipe-`%aC>rHln&9o!2*MYs+Sa1MM5ylEOE
z2gVN)oCrKEa}FE~U;{8Da~5y{o-(c!p-w`W6Q=R|nGBEd<{IXn0l70ERr1AiEQZnt
z*o9m=7V9c%AX)%?u%$3zvCgasci4JF1rrffA=<~dN?0>~p^nmTN89Ab22o3g4pG>N
zHFy9ntjAB;flYW=l5x@WDt?7rY$u&z#7S0^eGWoc^%uN5p6mseg`xnNn9vaE{7;!N7o&T9ml
zeZkh4vNbN))~0N06W&B`+V%>s7aTPUj`be-UCW%GPr%7V!(
z+j-5RZB_i(tYzv%oS8j#%QAOjmPy;XZ~0QTSHH2OY0u}(Bbz5(BCOxmG
zy1dElZ=@Xq$-x6D$HC;#aLVx}Zvvn(TR%Md$D@P>$~$Ok*ib4J|*t0da5D1kmJOIwgN*p>7CWpcF3GP`aZY_{{4IU|sTd<}&
zuc99>E^FR=DnOzhi1Jt;uL68i5gP~6CB7-#got+a;EgIi9M&AWUN(&G=a
zH0P3nAok4b;C>L-W#5w$fYT89b3EXs;@QksBseN|T1@@mztCJtQ5mEeQ4Q%Eb}U~c
zLNg;Sz3hHQ@Dn+I!`5#cp(D|8ijy`L2}UFWqCQBEMyUwxdrKq^iv~6@HlCfTC2CF&
zC(1jP>{pc#{r$0^FG^EOB$5U1dOAfT$l?;vfsa*H^TtJ^X~LK`uH=dPmdc4EpV;|r
zg1zyIiQm0g;h1cjJQT0LQ?Y7-5Xx&WbjAbe@>YRdH)XoG`v+U~BR#5YdT2zBrYp7l
z9*O>wp&aSqboqLru4StB;+`yN9gtSmCVW%1sfzWp2fsP;b!)190yYOJ-2M{=5N?TnaERp%j9QU1Mur&5JJQoaEac}(
zaG)$rIeJ6EDOwSy03&uG6t3^bsqwPbo}D*mpCiECQw=Vocoy|*ik`Kyu`)_V;Z-)m
zE+qUI#VB&AV(USe@VNy4*TKNP1dGdsglWjx&OjW2pn&6z@HyD@8KAi)5(beVV>k*l
zcW&M?j;e+`f%eeXX-W-|H_11^j&^i)ef9}s{H){AZOn(#vU?z-v7gm
zb;#`sd?k&j=p;CcS=NeA!ju)!!fh;XOK44lKY2|p@VTVmV#eq55*{i1v=WS^U=2l~
zHUBko8p2)dz?Lz18Gm=LSqg3qU=8wIwdrH{CQev+>S?`}oE&nA{owt3+`wgd>J1lL
zS{Cmh^zF>vt0iwG5TKvGFTP=yI)+Ob1CEPQ@_GuFgLzyb@jHlhfH7a-fGB0DfJQf=
zID~{1LlY0ltpq|439$^haQ;)~Y&OWc4Z<|k+E6}!1yUenVlaa#{Kes?DStS|L~+!e
zgGeeB=Qm)t83E_WnKL5f!;)T5#sUb!WIl5$8>4Zu4ApDqG!TA3X3l|FNWDpreN)0t
zsNSyw|9hY*oama2oWcy&77AOp;Q>Z^wi3EtDYteRSbTjffIVUxakmC{FW}A&ov6h{
zdYFxh8r;((EC4+cm0WbhWz8npfhZl~#FC<;iDj@(N##5MFU>*)9bn{WEovD`VqhT}
zAQnD4mKF%H>+r}F4M!+{EDB}rNWc$CgL#Y%$0GCyK(O>@4TnM82kIyTBX5faoa|@i
z>hYFRLLiz!LU?qPijG5yGae3(h$erGWdX$VVz9GdpkLZ#*e}iQCF?0x6(E1fLKleO
zrobLgqMr?@ymEs6Xbt4)CDw_)4_*;$)e{|jubgK%O9P}B*2-*ZufD3A
zT{XY$rg{!1;e1yi6HwkUHa=1#YvV&5vaeXE+K{T+FuOTjwUsyiVnD_!NKW4Q&bcu$
zaL2jvehvBA;ZF}IR-|iQoOj+ja2YhWnP_7&vwn%&FxAyZ@z8bBG{dizAM^`YS`Ys`k@Auu3RuSq>K&m
z?nG0(=eBW!P~MOJns=pKT`A`d
zh-3GhE1?&hWZZJ)rO7o=g;**-=76-S`HsZ}H)3+W|8BB=L)x@q_Qc$~-&ChN`U~or
zZkt~c8k!S*S1YDA$K4lA_sq2m=BAXnDIS}(T=h$8lj<;pkHKj=@`K_d3VkvHfM&563_5gg*!2pBBa!qT!zw14YUI
z#lYA|QAgmvsqBi0qDBKO7lnVUXeLZiEH*0Hi6sB&#M9TI6DueRtTr0(Q@$vqActa6
znxm+zNK#BPIu@5WQilUNw-UOu=&_;%0{3G_sd^{zxTZ?I;_(KRy82h+Ml~sOVkRhz
zUxtUMW@4epG1+M=atR9s`AhD9RgQ(|k3>87R*?3wj5|bwDt^u#@denU0r+o91gt0qDa6~4RD>JNc_5Fo%VYrq)UK^Vux385wa!|@L!pem3+XDh@aUW+=QT1O?@Bq+7S9T?x;nZZ#;Pk8rP5qd5GhPSDpkkI2iKr!PptUqOR2WxzLm6pnnaGBA)Odu!7(<953a`xT
zJQUP=kI|#6LnjH|;L-EOfWc*wj2<=+#>?{$bTE&fC|QDnwg!GrW}v!;MhasdqBGy7
z(Fm51i-+`RJlfrahkAkZqL6A|sf13|gYkl1$qf3Eado##*EOi)GzuV>u|FP%mBmGI
znHE12Z{#l0VoJOrE=!Bz5`L~;p>vnS#oWd3&tJ)17H>cwq%MKb;_8*$l(Yz4@pCM5
zbM*>LlDn8oNb`6ix7!Up@h`b|#T&HvXEBva;6?E4Ux4VM`>gd~S9@P%oDB)>V*$1;
z{H$b&3vgJz2^P*$i10!$oS`|4MVL2F`}lxxwxOsKj)!8wP>>76eW5nCvkeY7z@Dut
z3Y_pA@Em4NMEt%`ybHc^-G|7QfZe%7?%mu4FlgbYUoL(DUp^%+ZgWu*73G6mjK^Cp
z85NVjXvv^7*-oiUX@z`a0t;qq1vWGx;4`MBmk)N0dIgpjMt$KR-!U3J6Pt{1ukw+T
ztUuN{>IwSZ@(GipQRM~QF$z<~L#!|=sGh|{LgVh}8OgvfK`t0$7|CAnI=A{x4~q$X
zP@P9>hVq99S$fGI5HcPif6$@2wsc!h`jy|N#{%j8$xLl9p}kVE=G>KjrZ4O4hfeug
zy*u6Bo2@^R(B3gP?;Fa~703Q%IQ|4CME-)SL8suOp>2F4^t
zCJoLDSOd&1&;Uq4XKo4*2u}sEt2aRb0~@>jvI6YITmrvbz}ky2?;^}9W8gB6sptXr
zW|yAF7D_r`TL30s4jsM%SNJd`l8Z{(Fze%7M&5#7P%-v*u@2?2N7A$5F$UvChZ}$z
zBYw)5k@UdQ${23oG5nOr1blR~T6im-*cxDCMPd)Kf>c+8#Ktj*LrAy{)p>N!UVYtt
z)xBchk+JVcRi!Gj_I(MxXsf!u_3G9Y+xCoYdorHnvbN5IPINd|9L*U=^NM3v#<45q
zP4#CTFD8ul?M=y{)WF;u$rDTaZgnhoEj^R9_uM8j_5-&&GWNp>{hF;Y*_-N^JDPlP
zsrnYNT)R}3wRPVb$k?!$?Lb1e=GdM*vt*k)m*ket+_o*BTjH{g!?%4I$ID;aGLGZ0
zipBQ9>Gx01>QlApnrE|?y=lW6oVXWA*UOz#&TY&>#qp;U}dGxQGGBsPl8_
zi*pShRME9z9{q-S^y}ss@M`gDZGes8Q^j^0w$$Jy2l3#B;w=epeG!DPJzf&-EMfTNg#2RYnbfH0HUO++}~&b
z4+avTapA%Lptv-WCd6_Q1t|&kcwaQia^os4%!Ql;yRLbhjm9P!L0(uQIEe^K#t=IZ
zW1_6@O^G-unfPE}GT)_S>CHe<4YAH25BXv&vu;MZ2#w7pw!-cRDX0J-HMI%zn%OdK
z&YHI-i2Jtc=~Ev&6Z`Kun?JE6j;>YJ&34R=B^&QnZJ#E@%7&{w$zZm!U8J9xv&%
z+B2O48OLDauxNI!m>V+Yh9q^@-12A#ve!M_iL6`FhWeiZ0lR|?gnvK-!V)nEfY?~T
zsY%rtIbx&$q|HJRl(OxE+WZ#{ltD
z@ac;nvmg;BiJ;?{nOl3he>vjb)+7GmH!gaYODpMlHX8EzS&8IXi4vlrU<@8HJ{War
z71q{b)|LnXI5?kJ3j*eMOu-8M+CYH!`GJB}0ja*|WIq{v0hEP)sKCE0l^>jY@7(O6
zWK-7ClF;67-MMI3Fr+&U+&*-t^=Q^H^v~9#$&PP^{yy~0>mR;8J#c;K>d?opXIhUY
zjA_S^XmO?u&i_8vpsHa)D1#|Kb?&FNUl|-w`>~N~!N(&z#BMl*(&W2@6}4XAxh^}f
z8Ay7GcA^;pgRbX65;Kq*d*SebfH)mwA)D}z!iU4v9ul(@7Es-X(|f7ST)kHM^~+Q2&@?Hxe7-g#HpvR>or5f(8lkB`6iqh;e2QTK$Q}|gewhXSwQh>9wq(}
z-yL$7)Bu7*fSiiK3!I5Te^Cw%7@lyeS_Z%tBL|)ZVv97tdPSNqsLkU`huc(4%szt^
zA+X?;0O#=d0_<59@!c$U0Y>C?XdyPv$d@7jG|S^f!$D4o19+7w@fLi_rF=#Q=HX-!
zuk!#i9AAYi+;SQC?YP~7t8KX2fh$Zxd=0LgP)QnC%~g@l@q#fnEJzjW4S;Ksy1b<4
z7+HqL2f+i^;R%9a9(WWf3j1O^N-Yy*i&!QuBtT?YH)SNiE}?FmbRL
z!!&oz&5tN#Z+>V(&Mhl7done9mb$YwFD1-yL92FNADS7O9nDtlOqkXj)z^DxdS|<{
zj@E<`R@~BZ%aw5*%+wzO^27aKz*DTJleSNupWT_TK$QMS0P&jEyEYfZYD@il@1z^|
zWG#D^&Mm+5b!~RvplGF6tUEH+9VyEl>+@n$YieM=YOXu!p0V7sHmq1%GS-%4e91QN
zojZ5ey7y5zvhVzl6`AWr^OhBJQ^wqseC3XL?>$RH+Rz|}UzbL{3l#4F{Vp;9I|$`o
zPvC9GpN@QY_M;y7iv+H%oG;A6wbjHh%Hr@FsH7@}5n{er(9if{5VXePF;-xhc_iB;A2*MaV!6T%VGC4K=rL)aP7seB
zCaUwXvyR&G_<4$|{js8zq7_9f3cip33z8@<9*&-o-Ce3uBOC((PyKUA;BjP;oWh$S
z*2i=1FbkIW1$WdJZ6^y}Z6mdy9nn&5x4<})
zt<2UWQL0iEr?#@eo2{~wajmf@yCIVwakgr!Ts1pWp3IMtqGa8)JzJ@nY^D5CNvzvrf!2;vX8q9%Q=uyGg)Zx9qg
zX^s&{15fQS?NJ@lk=Zsq(kt%_$e=up$XG*o2ukNBD1E;+D+QIzYP^QKxH9S0$R(4k
zxEMpvgtBk5xh7ZH*aL+(h-pO`(o!0vqqJ@U)PP7(qKDi_89=1bTOwOdazcWMa_3ld
z*943qRScGf%R2aNU}N4OW(lum@+xGqUSOjU0ly~YBf~?}w7?=^nwjTN&vblAoQv@%
zQ0xpF68onqj#*%Yx#@Vef$W){kA)LaR+wJMYxc#LWK%H6@thb8%2k_P@~MqxP$d{3
zdx4Nl)(t2SAzW2c85ESBz5w|f#8lo2N<(QW9i^uXl#wbKH1Y;oQ$?IK3R*uQXsd{^
zQi6y@C=(V&8!0n>2DKA5f+!_Of-m8Xv<~P^Tj-ONMWHuQrA72+-b9xKa8HU-f36N1
zj}k-z#x?#k${N7zMQO^YHU#j16eSNqmr^#WY*5>uvyr#bh5%SmoM;PWr!8efpO&^#
z_R`oRmkENm(KgDBJI9wnsZJ@`p`_T&
zmqTfn(pEv61K_LTM3+;$)w#=8{y;k`itMbS>gmcdf@+|vz$!go{nVF_fZ{Ota$=ew
zp87Ul3&B_#0`}rwL2DUppQ=#X=}OgyboEq~+DegA4z;{VL6KeHW7Q_Ak@8SYJ}uQu
zwZQD!1Ac6U8P-O5eOmBv`=AMY`p-F^8Uij=-sY3)P<4~IueF%DR>9f$vbIB
zpiX_a`J}pNr`jvtF|}KLL+dFY)lK;aby|XV(XK#)`eySz8TgB
z2|wN#QA?%>(MWU>Z8;HPn1KYcK!)g;&>JhT^Lv)RItGkv_zgD?oe=
zOOk$$-+RfmBv42nti4DA^ZQtXMK<*K{R?yV^zdl8SJKqO;D54VagGz&C*=~34@Nnj
zy=s(=b1XMIC&DW(EY8U#Gqa&sG=^kLB*u%uY}pj%5Nuy;Shj`2d=RlhEP+C-AeX^D
z7LN&>$i?^|7naKl>mqwrluHpCWz^ROArwQbtg+n1PP?i>PIx5nYTdM&lyx()v*${h
zdI$Cn^!GubXQt2JHz-?Xn9wt`D3;*EU{EhJ7=Ac%Rfn1|w{a$h!Yq=_b6`sp+jFnx
z5IM=5V|b45B%fsFV)INVc@S|-^lmwDcy+Qq!h~4ZyJ54J4T_y!gKUU0Gi+2gh@2RO
zW?_zrv#1lR&|`ndj;!UuLOa23hsdB=RxEC|<&77YKn^~>5_oSe9KsMZRV$aUJTnu8(JU20Oq3mALShVgji?LcAs^20xMcbLiVg;$
z*rLGvJ4|s4nM=>*OC;%u&n*dDNbn4i&yfY~nA8)A!CW~gMj4^^5F@bR?T8e@S;Q=G
zqB2{U=x~e|M1~iEx~t#cSu9my2(i3~nCPg&w*-`apTB2&QX!5we)c%a&x&(E*t3(!
zEM0+e5czPi^5^f<;hE?7lWa5=;>2t}9_qiJMuiMCz%|sLEdkoum@IRKA?_O)`_jflIfNlJaGwCnUrG4Gm3BNht_jS+2!b_X=dnLIR
zS+jW0kPstX4`0>DCYBGy!mz1Kddm?kD?&EF**Y)C`ZF<(mrZy*Eg~i^>y_NZgu_8R
zg0c>#zN}R7#Fuq~h-BS7b5_>DT8BLu&XHIguXjPV&9XeKevu8%iStpp1hMg`a%#om
zEDuLE0*&4pgyR9(T5u)_vROTP1lg#Zx`JF9ONj9V98wIN^E#OHvL-H@F;_6mg`g(L
z7KJoh)yMIPu2)WRD>fm{hJ#8?2eLt`atDx&*`rT3LL+7{;iq!k)#F~3s+^d|f(;I4
z&sHn82<{iKy@AyxWhDpC2(l(3)Bq!1B-9%Qg!{Cldn%+8d&McRCgtheD1El
z=)K^*Ja%Q`or%@98=iFYk&JsJc}%MFuC%PUQvR`aKc8^F+9jn~UrF8An
z(k^l(e4{Vz8BNuVtyd5gyEh1PMdep6uw>mwn60nbU$L(fWwq9Ch%&Qnog`}NZn@gh
zuC|rBjH^FsT{l)%Ta%{sJw#3OEmsGawKBeXHsg9MY5l@halT_&SUL5Ht^az3WVO9E
z`pW3}
zIpWp-%2YYx)BVb48F{oMgqO9N@v5nxsu}wU1d)a*94#sd
zf}Ikzy!oU|lvxcv)Sx7Q7kN?2OE=Q`ZG&E;%1she`M`7soffLJSSMey1Fe;^skFR_
zD%&o&oWj>^B?T(g(&iHacN1l&$_oN_^A5Tyy7Pf1Zz%{yEmL|`p4t~R6k{O7tS6@M
zz$z(#ca)+8J+P?WDUypfE+yS37XnJEayx4aWR*@es{945*2n3BQQy>DN|)w)eUKmu
zcuNCKs+`RyRi*YBU>KXA?asnB5DLeB_n;Y~>QLYT2(M||3GD<}QwpIf1hqC*>f;)!
z6d;rms&wcnf?#0xq^hCK0lUF1B?VN$Y6Cn0#%!d_+iB>}?H2$gm2W%h9i~~c(v`G6
z5Ar||4I>2Y#R;g4RFeYD>;eC80cNNUs*~!1(eWv;7sP*fK1_U^8yj5!M}$R*>Q?&#
zAcro{UGy5N^d=ZrMfv$^x+>6fKNZzOSF7ububS#pDQGR#OZ8EE6{yAmFps*)sRUR<
zeibONF+j(vBWliT@Jkt>#
zQZ#_Ghj2E8Gdz>gKFH+KP-2D)9b(UMfasVY*ad$v(b<2zfYaIm4Bg=SrCg=}3x^eG
z3U14A<;B<#4>6)wUw~j7z%q@(d@Lr;F}Gny%Lkf;k*X)kEW!O)39<78*$b#=4m!f1
z&>Zf@b_AHrlfzVU(f579ze1CR(Xx@e=P(UHPmwBxN{Atdbm6lBMoK&?^tJ;rjwq-&
z6M{GdsC##UHIz9>u{cK0Aqjwh6l;IJuwg3-@gRJs&^-Y*o`?!6R37e5c?o^g_-$y)}sLb3>LZtkI**o&nC39y*CO)Z1wD)72iqR
zE1cgy6yFI&xzID;F(T(8D)QsQ&J}!71!5!jlm6|XAnZO22VvUrFn~c>)F{h4glkRE5B=#Kl%~b3dr(@Yd?YfBluk-rFYj}
zRI1nD@B#4oUHH96uDt}`7Cw-!`5s{RmJ?vB#x1X~R{yr1-WHg{Zrubcm0H2T{%N2F
zJ%$gFgE%{cvth`*by;vm2e=A?4|@cHFOG031M0%XWgVb0XcD)=<&Qw4I2*(7Eu6q9
z05p6f&@qB2Tcd!r0N5O47Z^Y?PBPI1djw!{B$rZ4yvUr*R`gNWUSu7t0#FeL9yE@{
zY2mYnPDsq4V_3uEI6Hx}CvXG{@#vgrY3N19F6+SOK#D+?1;*Jv@yC%qjwui4I5(;-IPo*XnB7`phCZmMmg}
z4VE4E0XeuCOBMbb_O%y?J7tdTQJgPocfI9EmVHs%njF95tX=kA?7GmkVqKldxCb-N
zp+&O^yj$?CpktxsF)mlr>^w%)0BEt@aeF4!*3t~{Hm0eqwv@R6EEr74zr
zXe?7Ro*dr_=M3IBlx`W#)Qu&Nf4-~b;>3lCRQvuL+RU!u54K&ra?7p~GswZ5eX^dD|Vb>C!}o
z?0wz#MXq$-_Fq$TmvyVQTmIp+fB44mr~a`_^T|*AV=Fzs9sTv_Z^y4Zk@k`S*lo@zQFbq?PAt5k$bH=P0ethNR4vs(9tf!OW+ssj2CNRo;=xiISF
z0@SJZ&xbm}Ae7eu?)1Ok9MloDO_z_QT>cG0Q&B5d*R1Q{`F~%R6D_AS-=4`~Q7Xed
z0bj&_QRzHp*Zxvpb8L_0m!uK$kNYZ*b?AO$FF)2~_>D({^A5|gp%P>Q@=31=|G@~)
z%(L(ZBbHz=`!^*}wg!XG!r!yx-q?e|2!{j_fBEHO!61U5kw9l~_9kSqBM2)S?uVfu
zBf{=DlMq<}sIUrz(IaKWA{-$r8EzMF!1EIEwN_)WeQkVNW2pO|1?{u&$TDDB+_~Hr
zmb0>!KP%hfOADOf%e5)Hb9UqXJ1qGXoGCiC>Xl9VvS#f^Zv%-2egX*@xKpFKO*no>
aG~Oocw+YK_!u+lAgicfUHGy-bBmWQR8V#QS
literal 0
HcmV?d00001
diff --git a/modules/api_handler.py b/modules/api_handler.py
new file mode 100644
index 0000000..fa599d9
--- /dev/null
+++ b/modules/api_handler.py
@@ -0,0 +1,125 @@
+import json
+import re
+from openai import OpenAI
+from config import API_KEY, BASE_URL, MODEL_NAME
+
+
+class APIHandler:
+ def __init__(self):
+ # ایجاد کلاینت با استفاده از کتابخانه رسمی OpenAI
+ self.client = OpenAI(
+ base_url=BASE_URL,
+ api_key=API_KEY
+ )
+ self.model_name = MODEL_NAME
+
+ def _call_api(self, prompt, system_prompt="شما یک دستیار هوش مصنوعی دقیق در تحلیل متن هستید.", temperature=0.3):
+
+ try:
+ response = self.client.chat.completions.create(
+ model=self.model_name,
+ messages=[
+ {"role": "system", "content": system_prompt},
+ {"role": "user", "content": prompt}
+ ],
+ temperature=temperature,
+ timeout=60 # جلوگیری از گیر کردن برنامه در صورت کندی سرور
+ )
+ # استخراج محتوای متنی از ریسپانس استاندارد openai
+ return response.choices[0].message.content.strip()
+ except Exception as e:
+ print(f"API failed {e}")
+ return None
+
+ def get_semantic_unit(self, segment_sentences):
+ """تابع ۱: استخراج واحد معنایی (برای جایگزینی در نودهای درخت)"""
+ text_to_summarize = " ".join(segment_sentences)
+
+ prompt = f"""تو یک دستیار هوش مصنوعی متخصص در تحلیل متن و زبانشناسی پردازشی هستی.
+ وظیفه تو این است که متن ورودی را بخوانی و تنها «هسته اصلی واحد معنایی» آن را سنتز و تولید کنی.
+
+ تعریف واحد معنایی مورد نظر: یک تکجملهٔ خلاصه، دقیق و جامع که یک رویداد کامل را توصیف کند. این جمله باید حتماً دارای ساختار منطقی (شامل عامل/فاعل، مفعول و فعلِ نشاندهنده نتیجه) باشد.
+
+ قوانین اکید خروجی (Strict Rules):
+ 1. به هیچوجه از کلمات ربط اضافی، پیشدرآمد (مثل "جمله استخراج شده:"، "خلاصه متن:" یا "بله، حتما") و توضیحات استفاده نکن.
+
+ مثالها (Few-Shot Examples):
+ متن ورودی: "دیروز در پی بارش شدید باران، رودخانه طغیان کرد. این اتفاق باعث شد تا تمام خانههای روستای مجاور زیر آب بروند و مردم مجبور به تخلیه سریع منطقه شوند."
+ خروجی: طغیان رودخانه بر اثر بارش باران منجر به آبگرفتگی خانهها و تخلیه روستا شد.
+
+ متن ورودی: "تیم توسعهدهنده ماهها روی بهینهسازی الگوریتم کار کرد. در نهایت موفق شدند زمان پردازش دادهها را به نصف کاهش دهند که این موضوع رضایت مدیران را در پی داشت."
+ خروجی: تلاش تیم توسعهدهنده برای بهینهسازی الگوریتم باعث کاهش نصف زمان پردازش و جلب رضایت مدیران شد.
+
+
+ متن ورودی اصلی:
+ {text_to_summarize}
+ """
+ response = self._call_api(prompt)
+ return response if response else "خطا در استخراج واحد معنایی"
+
+ def extract_propositions(self, sentences):
+ """تابع ۲: استخراج تکتک گزارهها از جملات یک سگمنت (برای شروع ساخت گراف)"""
+ text = " ".join(sentences)
+
+ prompt = f"""
+ متن زیر را بخوان و تمام گزارههای معنایی (اقدامات، واقعیتها یا مفاهیم مستقل) موجود در آن را استخراج کن.
+ قانون اکید: خروجی را فقط به صورت یک آرایه JSON معتبر از رشتهها برگردان و هیچ متن اضافهای ننویس.
+ مثال خروجی: ["گزاره اول", "گزاره دوم"]
+
+ متن:
+ {text}
+ """
+ response = self._call_api(prompt, temperature=0.2)
+ if not response:
+ return []
+
+ try:
+ clean_json = re.sub(r'```json|```', '', response).strip()
+ propositions = json.loads(clean_json)
+ if isinstance(propositions, list):
+ return propositions
+ return []
+ except Exception as e:
+ print(f"خطا در پارس کردن گزارهها (JSON Error): {e}")
+ print(f"خروجی خام مدل این بود: {response}")
+ return []
+
+ def check_relation(self, prop1, prop2):
+ """تابع ۳: بررسی رابطه غایی (هدف-وسیله) یا علت و معلولی بین دو گزاره"""
+ prompt = f"""
+ دو گزاره زیر را بررسی کن و ببین آیا رابطه "علت و معلولی" یا "غایی (هدف و وسیله)" بین آنها برقرار است یا خیر.
+ اگر هیچ ارتباطی از این نوع وجود ندارد، دقیقاً و فقط بنویس: "ارتباط وجود ندارد"
+ اگر ارتباط وجود دارد، در یک گزاره کوتاه و دقیق این رابطه را توصیف کن (مثلاً: گزاره اول وسیلهای برای رسیدن به هدف گزاره دوم است).
+
+ گزاره ۱: {prop1}
+ گزاره ۲: {prop2}
+ """
+ response = self._call_api(prompt, temperature=0.3)
+ return response if response else "ارتباط وجود ندارد"
+
+ def score_relation(self, relation_desc):
+ """تابع ۴: امتیازدهی به رابطه از 1 تا 10"""
+ if not relation_desc or relation_desc.strip() == "ارتباط وجود ندارد" or relation_desc.strip() == "":
+ return 0
+
+ prompt = f"""
+ با توجه به توصیف رابطه زیر، یک نمره از 1 تا 10 به میزان قوت و منطقی بودن این رابطه علت و معلولی/غایی بده.
+ قانون اکید: فـــقـــط یک عدد صحیح برگردان. هیچ کاراکتر یا کلمهای غیر از عدد ننویس.
+
+ توصیف رابطه:
+ {relation_desc}
+ """
+ response = self._call_api(prompt, temperature=0.1)
+
+ if not response:
+ return 0
+
+ try:
+ numbers = re.findall(r'\d+', response)
+ if numbers:
+ score = int(numbers[0])
+ return max(1, min(10, score))
+ return 0
+ except Exception as e:
+ print(f"failed to extract scores {e}")
+ return 0
\ No newline at end of file
diff --git a/modules/data_manager.py b/modules/data_manager.py
new file mode 100644
index 0000000..dd56953
--- /dev/null
+++ b/modules/data_manager.py
@@ -0,0 +1,59 @@
+import os
+import csv
+import json
+
+
+class DataManager:
+ def __init__(self, base_projects_dir="projects"):
+ self.base_projects_dir = base_projects_dir
+ if not os.path.exists(self.base_projects_dir):
+ os.makedirs(self.base_projects_dir)
+
+ def create_project_folder(self, project_name):
+ """ایجاد پوشه اصلی پروژه"""
+ project_path = os.path.join(self.base_projects_dir, project_name)
+ if not os.path.exists(project_path):
+ os.makedirs(project_path)
+ return project_path
+
+ def save_tree_data(self, project_path, tree_data_list):
+ """ذخیره اطلاعات کل درخت در tree_data.csv"""
+ file_path = os.path.join(project_path, "tree_data.csv")
+ headers = ["level", "segment_id", "parent_segment_id", "original_sentences", "semantic_unit"]
+
+ with open(file_path, mode='w', newline='', encoding='utf-8') as f:
+ writer = csv.DictWriter(f, fieldnames=headers)
+ writer.writeheader()
+ for row in tree_data_list:
+ # تبدیل لیست جملات به رشته JSON برای ذخیره امن در CSV
+ row_copy = row.copy()
+ if isinstance(row_copy.get("original_sentences"), list):
+ row_copy["original_sentences"] = json.dumps(row_copy["original_sentences"], ensure_ascii=False)
+ writer.writerow(row_copy)
+
+ def save_graph_data(self, project_path, node_id, propositions, relations, scores):
+ """ذخیره ۳ فایل CSV مربوط به گراف یک نود خاص"""
+ graph_dir = os.path.join(project_path, f"{node_id}_graph")
+ if not os.path.exists(graph_dir):
+ os.makedirs(graph_dir)
+
+ # 1. save propositions.csv
+ with open(os.path.join(graph_dir, "propositions.csv"), mode='w', newline='', encoding='utf-8') as f:
+ writer = csv.DictWriter(f, fieldnames=["proposition_id", "sentence", "proposition_text"])
+ writer.writeheader()
+ writer.writerows(propositions)
+
+ # 2. save relations.csv
+ with open(os.path.join(graph_dir, "relations.csv"), mode='w', newline='', encoding='utf-8') as f:
+ writer = csv.DictWriter(f, fieldnames=["relation_id", "source_proposition_id", "target_proposition_id",
+ "relation_type"])
+ writer.writeheader()
+ writer.writerows(relations)
+
+ # 3. save scores.csv
+ with open(os.path.join(graph_dir, "scores.csv"), mode='w', newline='', encoding='utf-8') as f:
+ writer = csv.DictWriter(f, fieldnames=["relation_id", "score"])
+ writer.writeheader()
+ writer.writerows(scores)
+
+ return graph_dir
diff --git a/modules/segmenter.py b/modules/segmenter.py
new file mode 100644
index 0000000..6ef0acd
--- /dev/null
+++ b/modules/segmenter.py
@@ -0,0 +1,116 @@
+import re
+import numpy as np
+from sentence_transformers import SentenceTransformer
+from sklearn.metrics.pairwise import cosine_similarity
+
+
+class Segmenter:
+ def __init__(self):
+ print("Loading models :")
+
+ self.model_bge = SentenceTransformer("C:/Models/bge-m3", model_kwargs={"use_safetensors": False})
+ self.model_e5 = SentenceTransformer("C:/Models/multilingual-e5-large")
+ self.model_labse = SentenceTransformer("C:/Models/LaBSE_Local")
+ self.model_parsroberta = SentenceTransformer("C:/Models/ParsRoberta")
+
+ print("4 models loaded successfully")
+
+ def get_similarities(self, text1, text2):
+ """محاسبه میانگین شباهت کسینوسی از ۴ مدل برای دو متن داده شده"""
+ emb_bge = self.model_bge.encode([text1, text2])
+ emb_e5 = self.model_e5.encode([text1, text2])
+ emb_labse = self.model_labse.encode([text1, text2])
+ emb_parsroberta = self.model_parsroberta.encode([text1, text2])
+
+ sim_bge = cosine_similarity([emb_bge[0]], [emb_bge[1]])[0][0]
+ sim_e5 = cosine_similarity([emb_e5[0]], [emb_e5[1]])[0][0]
+ sim_labse = cosine_similarity([emb_labse[0]], [emb_labse[1]])[0][0]
+ sim_parsroberta = cosine_similarity([emb_parsroberta[0]], [emb_parsroberta[1]])[0][0]
+
+ # میانگینگیری از هر ۴ مدل
+ return np.mean([sim_bge, sim_e5, sim_labse, sim_parsroberta])
+
+ def calculate_depth_scores(self, similarities):
+ """محاسبه عمق درهها (Gap Scores) با استفاده از قلههای چپ و راست"""
+ depth_scores = []
+ n = len(similarities)
+
+ for i in range(n):
+ left_peak = similarities[i]
+ for j in range(i, -1, -1):
+ if similarities[j] >= left_peak:
+ left_peak = similarities[j]
+ else:
+ break
+
+ right_peak = similarities[i]
+ for j in range(i, n):
+ if similarities[j] >= right_peak:
+ right_peak = similarities[j]
+ else:
+ break
+
+ depth = (left_peak - similarities[i]) + (right_peak - similarities[i])
+ depth_scores.append(depth)
+
+ return depth_scores
+
+ def extract_sentences(self, text):
+ """جداسازی متن اولیه به جملات"""
+ text = text.replace('\n', ' ')
+ sentences = [s.strip() for s in re.split(r'(?<=[.!?؟]) +', text) if s.strip()]
+ return sentences
+
+ def segment_items(self, items, force_count=None, std_multiplier=0.5, min_depth=0.02):
+ """
+ دریافت جملات یا واحدهای معنایی و کلاسترینگ آنها.
+ اگر پارامتر force_count ارسال شود، الگوریتم موظف است دقیقاً همان تعداد سگمنت تولید کند.
+ """
+ n_items = len(items)
+ if n_items < 2:
+ return [items]
+
+ similarities = []
+ for i in range(n_items - 1):
+ sim = self.get_similarities(items[i], items[i + 1])
+ similarities.append(sim)
+
+ depth_scores = self.calculate_depth_scores(similarities)
+
+ # -------------------------------------------------------------
+ # حالت اجباری: رساندن تعداد سگمنتها به عدد دقیق (مثلا 7)
+ # -------------------------------------------------------------
+ if force_count and 1 < force_count < n_items:
+ # پیدا کردن عمیقترین درهها برای ایجاد دقیقا force_count - 1 برش
+ top_cut_indices = np.argsort(depth_scores)[-(force_count - 1):]
+ top_cut_indices = sorted(top_cut_indices)
+
+ grouped_segments = []
+ start = 0
+ for idx in top_cut_indices:
+ grouped_segments.append(items[start:idx + 1])
+ start = idx + 1
+ grouped_segments.append(items[start:])
+ return grouped_segments
+
+ # -------------------------------------------------------------
+ # حالت عادی داینامیک: در سطوح پایینتر که هنوز به تعداد هدف نرسیدهایم
+ # -------------------------------------------------------------
+ mean_depth = np.mean(depth_scores)
+ std_depth = np.std(depth_scores)
+ cutoff_threshold = mean_depth + (std_multiplier * std_depth)
+
+ grouped_segments = []
+ current_segment = [items[0]]
+
+ for i in range(len(similarities)):
+ if depth_scores[i] >= cutoff_threshold and depth_scores[i] > min_depth:
+ grouped_segments.append(current_segment)
+ current_segment = [items[i + 1]]
+ else:
+ current_segment.append(items[i + 1])
+
+ if current_segment:
+ grouped_segments.append(current_segment)
+
+ return grouped_segments
\ No newline at end of file
diff --git a/modules/visualizer.py b/modules/visualizer.py
new file mode 100644
index 0000000..fa95e0c
--- /dev/null
+++ b/modules/visualizer.py
@@ -0,0 +1,216 @@
+import networkx as nx
+from pyvis.network import Network
+import textwrap
+import ast
+import re
+
+
+class Visualizer:
+ def __init__(self):
+ pass
+
+ def build_graph(self, propositions, relations, scores, output_path):
+ """
+ دریافت ۳ ساختار مجزا (گزارهها، روابط، امتیازها) و رسم گراف
+ """
+ net = Network(height="100vh", width="100%", bgcolor="#1a1a1a", font_color="white", directed=True,
+ cdn_resources="in_line")
+
+ # ساخت دیکشنریهای کمکی برای جستجوی سریع
+ prop_dict = {p['proposition_id']: p['proposition_text'] for p in propositions}
+ score_dict = {s['relation_id']: s['score'] for s in scores}
+
+ # 1. اضافه کردن نودها (گزارهها)
+ for p_id, text in prop_dict.items():
+ wrapped_text = "\n".join(textwrap.wrap(text, width=40))
+ net.add_node(
+ p_id,
+ label=f"گزاره {p_id}",
+ title=wrapped_text, # نمایش متن کامل هنگام هاور پیشفرض
+ shape="box",
+ color={"background": "#264653", "border": "#1b3039", "highlight": {"background": "#2a9d8f"}},
+ font={"face": "B Nazanin, Tahoma, Arial", "size": 16, "color": "white"}
+ )
+
+ # 2. اضافه کردن یالها (روابط)
+ for rel in relations:
+ source = rel['source_proposition_id']
+ target = rel['target_proposition_id']
+ rel_id = rel['relation_id']
+ rel_type = rel['relation_type']
+ score = score_dict.get(rel_id, 0)
+
+ wrapped_rel = "\n".join(textwrap.wrap(rel_type, width=40))
+ edge_title = f"امتیاز: {score}\n\nنوع رابطه:\n{wrapped_rel}"
+
+ if source in prop_dict and target in prop_dict:
+ net.add_edge(
+ source,
+ target,
+ label=str(score),
+ title=edge_title, # نمایش متن در سایدبار از طریق رویداد
+ width=max(2, int(score) / 2), # ضخامت خط بر اساس امتیاز
+ color={"color": "#e9c46a", "highlight": "#f4a261"},
+ font={"align": "middle", "color": "#ffea00", "background": "#1a1a1a"},
+ arrows={"to": {"enabled": True, "scaleFactor": 1.2}}
+ )
+
+ # تنظیمات گراف و فعالسازی هاور
+ net.set_options("""
+ {
+ "physics": {
+ "forceAtlas2Based": {
+ "gravitationalConstant": -50,
+ "centralGravity": 0.01,
+ "springLength": 150,
+ "springConstant": 0.08
+ },
+ "minVelocity": 0.75,
+ "solver": "forceAtlas2Based"
+ },
+ "interaction": { "hover": true, "navigationButtons": true }
+ }
+ """)
+
+ html_content = net.generate_html(output_path)
+
+ # تزریق اسکریپت برای ارسال اطلاعات هاور به سایدبار صفحه وب
+ hover_js = """
+
+
+ """
+ html_content = html_content.replace('', hover_js)
+
+ with open(output_path, "w", encoding="utf-8") as f:
+ f.write(html_content)
+ return output_path
+
+ def build_tree(self, tree_data_list, output_path):
+ net = Network(height="100vh", width="100%", bgcolor="#1a1a1a", font_color="white", directed=True,
+ cdn_resources="in_line")
+ valid_node_ids = set()
+
+ for node_data in tree_data_list:
+ node_id = str(node_data.get('segment_id', '')).strip()
+ valid_node_ids.add(node_id)
+ level = int(node_data.get('level', 0))
+
+ full_text = node_data.get('semantic_unit', 'بدون متن')
+ wrapped_text = "\n".join(textwrap.wrap(full_text, width=40))
+
+ raw_sentences = node_data.get('original_sentences', [])
+ if isinstance(raw_sentences, str):
+ try:
+ raw_sentences = ast.literal_eval(raw_sentences)
+ except (ValueError, SyntaxError):
+ pass
+
+ if isinstance(raw_sentences, list):
+ sentences_str = "