first commit

2026-06-28 20:21:40 +02:00
commit b66b065da1
16 changed files with 1097 additions and 0 deletions
@@ -0,0 +1,51 @@
+import logging
+from typing import List, Dict, Any, Optional
+from transformers import pipeline
+
+logger = logging.getLogger(__name__)
+
+class ZeroShotClassifier:
+    """
+    Classe responsable de la classification de texte à l'aide de modèles Hugging Face Zero-Shot.
+    """
+    def __init__(self, model_name: str = "MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7"):
+        """
+        Initialise le classifieur zero-shot.
+        :param model_name: Nom du modèle Hugging Face à utiliser.
+        """
+        self.model_name = model_name
+        self._pipeline = None
+
+    @property
+    def classifier_pipeline(self):
+        """
+        Initialisation tardive (lazy loading) du pipeline pour économiser de la mémoire et du temps au démarrage.
+        """
+        if self._pipeline is None:
+            logger.info(f"Chargement du pipeline de classification avec le modèle {self.model_name} (ceci peut prendre quelques secondes)...")
+            # On laisse Hugging Face gérer le choix du device (GPU s'il est dispo, sinon CPU)
+            self._pipeline = pipeline("zero-shot-classification", model=self.model_name)
+        return self._pipeline
+
+    def classify(self, text: str, candidate_labels: List[str] = None) -> Dict[str, Any]:
+        """
+        Classifie un texte selon une liste de catégories candidates.
+        Si aucune catégorie n'est fournie, utilise les catégories de harcèlement par défaut.
+        :param text: Le texte à classifier.
+        :param candidate_labels: Liste des catégories (labels).
+        :return: Dictionnaire contenant les labels et leurs scores associés.
+        """
+        if candidate_labels is None:
+            candidate_labels = ["Cyberharcèlement", "Insulte", "Menace", "Non-harcèlement"]
+
+        if not text or not text.strip():
+            # Si le texte est vide, on renvoie une structure vide ou par défaut
+            return {"labels": [], "scores": []}
+        
+        try:
+            # On exécute le pipeline de classification
+            result = self.classifier_pipeline(text, candidate_labels=candidate_labels)
+            return result
+        except Exception as e:
+            logger.error(f"Erreur lors de la classification du texte : {e}")
+            raise RuntimeError(f"Échec de la classification : {e}") from e