update

app.py

@@ -1,43 +1,127 @@
 import uvicorn
 from fastapi import FastAPI, Body
 from sentence_transformers import SentenceTransformer
+from sklearn.metrics.pairwise import cosine_similarity
+import numpy as np
 
-# ==========================================
-# PHẦN 1: KHỞI TẠO AI ENGINE
-# ==========================================
-print("⏳ Đang tải Model AI (All-MiniLM-L6-v2)...")
 # Tải model 1 lần duy nhất khi Server khởi động
 model = SentenceTransformer('all-MiniLM-L6-v2')
 print("✅ Model đã sẵn sàng!")
 
+product_db = {
+    "ids": [],     
+    "vectors": None,
+    "cached_result": {}
+}
+
+#App
 app = FastAPI()
 
 @app.get("/")
-def home():
-    return {"status": "AI Server is RUNNING on Hugging Face", "model": "all-MiniLM-L6-v2"}
+async def home():
+    return {"status": "AI Server is RUNNING", "model": "all-MiniLM-L6-v2"}
+
+@app.get("/status")
+async def status():
+    count = len(product_db["ids"])
+    return {"count": count}
 
 @app.post("/vectorize")
-def vectorize_products(payload: dict = Body(...)):
-    """
-    API nhận vào JSON: { "products": ["Tên SP 1", "Tên SP 2"] }
-    Trả về: { "vectors": [[0.1, ...], [0.2, ...]] }
-    """
-    products_text = payload.get("products", [])
+async def vectorize_products(payload: dict = Body(...)):
+    products = payload.get("products", [])
+    k_item = payload.get("k_item",5)
+    if not products:
+        return {"error": "Danh sách sản phẩm trống"}
+    product_names = [x['name'] for x in products]
+    product_ids = [x['id'] for x in products]
+    # Tính ra vector
+    vectors = model.encode(product_names)
+    product_db["vectors"] = vectors # lưu lại
+
+    product_db["ids"] = product_ids
+    
+    sim_matrix = cosine_similarity(vectors)
+    res = {}
+    # Duyệt qua từng dòng của ma trận
+    for i in range(len(product_ids)):
+        current_id = product_ids[i]
+        scores = sim_matrix[i]
+        
+        # Sắp xếp index giảm dần
+        sorted_indices = np.argsort(scores)[::-1]
+        
+        # Lấy top k (bỏ qua index 0 là chính nó)
+        top_indices = sorted_indices[1 : k_item + 1]
+        
+        # Map từ Index -> ID thật
+        similar_ids = [product_ids[idx] for idx in top_indices]
+        
+        # Lưu vào dict kết quả (Key phải là string)
+        res[str(current_id)] = [int(x) for x in similar_ids]
+    product_db['cached_result'] = res 
+    # Trả về đúng cấu trúc AiResponse bên Java
+    return {"result": res}
+
+@app.get("/refresh_cache")
+async def refresh_cache():
+    return {"result": product_db.get("cached_result", {})}
+
+@app.post("/add_product")
+async def add_product(payload: dict = Body(...)):
+    # 1. Lấy dữ liệu đầu vào
+    new_id = payload.get("id")
+    new_name = payload.get("name")
+    
+    if new_id is None or not new_name:
+        return {"error": "Dữ liệu không hợp lệ"}
+
+    print(f"⚡ Đang thêm sản phẩm mới: ID {new_id} - {new_name}")
+
+    # 2. Vector hóa CHỈ 1 SẢN PHẨM MỚI (Cực nhanh)
+    # Kết quả là 1 vector (Shape: 1 x 768)
+    new_vector = model.encode([new_name])
+
+    # 3. Lấy kho dữ liệu cũ từ RAM
+    existing_vectors = product_db["vectors"]
+    existing_ids = product_db["ids"]
+    cached_result = product_db["cached_result"]
+
+    # Trường hợp chưa Init dữ liệu thì coi như init mới
+    if existing_vectors is None or len(existing_ids) == 0:
+        return {"result": {}}
+
+    # 4. TÍNH TOÁN TƯƠNG ĐỒNG (Điểm mấu chốt của tốc độ)
+    # So sánh vector mới với toàn bộ vector cũ
+    # cosine_similarity(new, old) -> Trả về mảng điểm số
+    sim_scores = cosine_similarity(new_vector, existing_vectors)[0]
+
+    # 5. Tìm Top K cho sản phẩm mới
+    k_item = 5
+    # Sắp xếp giảm dần và lấy top k
+    top_indices = np.argsort(sim_scores)[::-1][:k_item]
     
-    # Kiểm tra đầu vào
-    if not products_text:
-        return {"vectors": []}
+    # Map từ index sang ID thật
+    similar_ids = [int(existing_ids[idx]) for idx in top_indices]
 
-    print(f"⚡ Đang xử lý {len(products_text)} sản phẩm...")
+    # 6. CẬP NHẬT DATABASE TRONG RAM (Để lần sau thêm tiếp còn dùng)
+    # Thêm ID mới vào danh sách
+    product_db["ids"].append(new_id)
+    
+    # Nối vector mới vào ma trận cũ (Append vào dòng cuối)
+    product_db["vectors"] = np.vstack([existing_vectors, new_vector])
     
-    # Tính toán Vector
-    vectors = model.encode(products_text).tolist()
+    # Cập nhật Cache kết quả
+    result_map = {str(new_id): similar_ids}
+    
+    # (Optional) Update ngược: Nếu sản phẩm cũ thấy sản phẩm mới này giống nó
+    # Đoạn này làm phức tạp hơn, tạm thời ta chỉ quan tâm chiều xuôi: New -> Old
+    cached_result.update(result_map) 
+
+    print(f"✅ Đã thêm xong ID {new_id}. Tìm thấy {len(similar_ids)} sản phẩm tương tự.")
     
-    return {"vectors": vectors}
+    # Trả về kết quả để Java update cache
+    return {"result": result_map}
 
-# ==========================================
-# PHẦN 2: KHỞI ĐỘNG SERVER
-# ==========================================
 if __name__ == "__main__":
     # Hugging Face yêu cầu bắt buộc chạy ở port 7860
     uvicorn.run(app, host="0.0.0.0", port=7860)

requirements.txt

@@ -1,4 +1,6 @@
 fastapi
 uvicorn[standard]
 sentence-transformers
+scikit-learn
+numpy
 torch --index-url https://download.pytorch.org/whl/cpu