app/predictor.py

# app/predictor.py

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import py_vncorenlp
from pathlib import Path  # <-- THAY ĐỔI 1: Import Path


class Predictor:
    def __init__(self):
        """
        Hàm khởi tạo, thực hiện tải tất cả các model cần thiết MỘT LẦN
        khi service khởi động.
        """
        # <-- THAY ĐỔI 2: Xây dựng đường dẫn tuyệt đối
        # Lấy đường dẫn của file hiện tại (predictor.py)
        model_hub_path = "dorangao/landify-scam-detector-phobert"

        current_file_path = Path(__file__).resolve()
        # Đi lên thư mục cha (từ app/ -> scam_detector/)
        project_root = current_file_path.parent.parent

        vncorenlp_path = project_root / "vncorenlp_model"
        # --- Kết thúc thay đổi ---

        print(f"Loading model from Hugging Face Hub: {model_hub_path}")

        self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
        print(f"Using device: {self.device}")

        self.tokenizer = AutoTokenizer.from_pretrained(model_hub_path)
        self.model = AutoModelForSequenceClassification.from_pretrained(model_hub_path)
        self.model.to(self.device)
        self.model.eval()

        self.vncorenlp_segmenter = py_vncorenlp.VnCoreNLP(save_dir=str(vncorenlp_path))

        print("Models loaded successfully!")

    def predict(self, title: str, content: str, threshold: float = 0.8) -> dict:
        # ... (Phần còn lại của hàm predict không thay đổi)
        text = f"{title}. {content}"
        segmented_sentences = self.vncorenlp_segmenter.word_segment(text)
        segmented_text = " ".join(segmented_sentences)
        inputs = self.tokenizer(
            segmented_text,
            padding=True,
            truncation=True,
            max_length=256,
            return_tensors="pt"
        )
        inputs = {key: val.to(self.device) for key, val in inputs.items()}
        with torch.no_grad():
            outputs = self.model(**inputs)

        logits = outputs.logits
        probabilities = torch.softmax(logits, dim=1).squeeze()
        scam_score = probabilities[1].item()
        is_scam = scam_score >= threshold

        return {
            "scam_score": round(scam_score, 4),
            "is_scam": bool(is_scam),
            # <-- THAY ĐỔI 3 (sẽ thực hiện ở bước sau): Đổi tên trường này
            "version": "phobert-v1"
        }