app.py

# 정치 편향 방지 · 사실 기반 중립 재구성 (BERT 분류기 버전)
# - 분류: bucketresearch/politicalBiasBERT (left/center/right)
# - 재구성: OpenAI로 사실 중심 요약/재작성
# - 옵션: 네이버 뉴스 검색

import os
from typing import List, Dict, Tuple

import streamlit as st
import requests
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline

# =========================
# Config
# =========================
APP_TITLE = "정치 편향 분석(BERT) · 사실 기반 중립 재구성!"
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")              # 선택
NAVER_ID       = os.getenv("NAVER_ID")             # 선택
NAVER_SECRET   = os.getenv("NAVER_SECRET")

MODEL_ID = "bucketresearch/politicalBiasBERT"
LABELS = ["left", "center", "right"]  # 모델 카드 정의

st.set_page_config(page_title=APP_TITLE, page_icon="🧭", layout="wide")
st.title(APP_TITLE)
st.caption("PoliticalBiasBERT로 편향(좌/중/우) 분류 → 화면에는 '사실 기반 중립 재구성'만 노출")

# =========================
# Model (cached)
# =========================
@st.cache_resource(show_spinner=True)
def load_bias_pipeline():
    tok = AutoTokenizer.from_pretrained(MODEL_ID)
    mdl = AutoModelForSequenceClassification.from_pretrained(MODEL_ID)
    device = 0 if torch.cuda.is_available() else -1
    clf = pipeline(
        "text-classification",
        model=mdl,
        tokenizer=tok,
        return_all_scores=True,
        device=device
    )
    return clf

def classify_bias(clf, text: str) -> Tuple[str, List[float]]:
    scores = clf(text)[0]  # list of dicts: [{"label":"LABEL_0","score":...}, ...]
    # 모델이 LABEL_0/1/2를 쓰므로 index 기준으로 정렬되어 들어온다는 가정
    probs = [s["score"] for s in scores]                     # [left, center, right] 순
    pred_idx = int(torch.tensor(probs).argmax().item())
    return LABELS[pred_idx], probs

# =========================
# Naver News (optional)
# =========================
def fetch_naver_news(query: str, display: int = 10) -> List[Dict[str,str]]:
    if not (NAVER_ID and NAVER_SECRET):
        return []
    url = "https://openapi.naver.com/v1/search/news.json"
    headers = {"X-Naver-Client-Id": NAVER_ID, "X-Naver-Client-Secret": NAVER_SECRET}
    params = {"query": query, "display": min(display, 30), "start": 1, "sort": "date"}
    try:
        r = requests.get(url, headers=headers, params=params, timeout=15)
        if r.status_code != 200:
            return []
        items = r.json().get("items", [])
        return [{
            "title": it.get("title",""),
            "desc":  it.get("description",""),
            "link":  it.get("link","")
        } for it in items]
    except Exception:
        return []

# =========================
# OpenAI: Fact-based neutral rewrite (optional)
# =========================
def generate_fact_based(text: str) -> str:
    if not OPENAI_API_KEY:
        return "(OPENAI_API_KEY 미설정: 재구성 생략됨)"
    import openai
    openai.api_key = OPENAI_API_KEY
    prompt = (
        "다음 텍스트를 정치적 해석/의견 없이, 사실 중심의 중립 기사로 재구성하세요.\n"
        "규칙: 1) 누가·언제·어디서·무엇을 중심 2) 평가/추측 삭제 3) 수치/날짜는 원문 범위 4) 한국어 5~7문장\n\n"
        f"[원문]\n{text}\n\n[중립 기사]"
    )
    try:
        resp = openai.ChatCompletion.create(
            model="gpt-4o-mini",
            messages=[{"role":"user","content":prompt}],
            temperature=0.3,
            max_tokens=420,
        )
        return resp["choices"][0]["message"]["content"].strip()
    except Exception as e:
        return f"(재구성 실패: {e})"

# =========================
# Sidebar
# =========================
with st.sidebar:
    st.subheader("모델 상태")
    with st.spinner("BERT 모델 로딩 중… 처음 한 번만 기다리면 됨"):
        clf = load_bias_pipeline()
    st.success("PoliticalBiasBERT 로드 완료")
    st.caption("좌/중/우 분류는 내부 진단용으로만 사용. 화면은 사실 기반 재구성 위주.")

# =========================
# Main
# =========================
st.markdown("### 1) (선택) 네이버 뉴스 검색")
q = st.text_input("검색어", value="미 대선")
cnt = st.slider("표시 개수", 1, 20, 10)
news_items: List[Dict[str,str]] = []
if st.button("뉴스 불러오기"):
    with st.spinner("네이버 뉴스 수집 중…"):
        news_items = fetch_naver_news(q, cnt)
    if not news_items:
        st.info("네이버 API 키가 없거나 호출 실패. 아래 자유 입력으로 테스트하세요.")

st.markdown("### 2) 텍스트 분석 & 사실 기반 중립 재구성")
c1, c2 = st.columns(2)
with c1:
    sample = f"{news_items[0]['title']} — {news_items[0]['desc']}" if news_items else ""
    text = st.text_area("분석할 텍스트(뉴스 제목+요약 등)", value=sample, height=220)

with c2:
    if st.button("분석 및 중립 재구성 실행"):
        if not text.strip():
            st.warning("텍스트를 입력하세요.")
        else:
            # 내부 분류(진단용)
            pred, probs = classify_bias(clf, text)

            # 화면 노출: 사실 기반 재구성
            st.markdown("#### ✅ 사실 기반 중립 재구성 결과")
            article = generate_fact_based(text)
            st.write(article)

            # 진단/출처
            with st.expander("진단 보기(내부 편향 확률)"):
                st.write(f"예측: **{pred}**")
                st.write(f"확률 [left, center, right]: {probs}")
            if news_items:
                with st.expander("원문 링크"):
                    st.write(news_items[0].get("link","(링크 없음)"))

st.markdown("---")
st.caption("데모 용도. 실제 서비스는 출처 추출·사실 검증·정책 필터링을 추가해야 함.")