app.py

import streamlit as st
import requests
import matplotlib.pyplot as plt
import seaborn as sns
from transformers import pipeline
import openai
import os
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import joblib

# Streamlit 페이지 설정을 가장 먼저 호출
st.set_page_config(page_title="정치적 관점 분석", page_icon="📰", layout="wide")

# OpenAI API 키 설정 (환경변수에서 가져오는 방법)
openai.api_key = os.getenv("OPENAI_API_KEY")

# 한글 폰트 설정 (Streamlit에서 적용하기 위해 CSS 추가)
st.markdown(
    """
    <style>
    body {
        font-family: 'Nanum Gothic', sans-serif;
    }
    </style>
    """,
    unsafe_allow_html=True
)

# matplotlib 한글 폰트 설정
import matplotlib
matplotlib.rcParams['font.family'] = 'NanumGothic'  # 한글 폰트를 설정합니다.
matplotlib.rcParams['axes.unicode_minus'] = False  # 마이너스 기호 깨짐 방지

# 네이버 뉴스 API를 통해 실제 뉴스 기사 가져오기
def fetch_naver_news(query, display=5):
    client_id = "I_8koTJh3R5l4wLurQbG"  # 네이버 개발자 센터에서 발급받은 Client ID
    client_secret = "W5oWYlAgur"  # 네이버 개발자 센터에서 발급받은 Client Secret

    url = "https://openapi.naver.com/v1/search/news.json"
    headers = {
        "X-Naver-Client-Id": client_id,
        "X-Naver-Client-Secret": client_secret,
    }
    params = {
        "query": query,
        "display": display,
        "start": 1,
        "sort": "date",  # 최신순으로 정렬
    }

    response = requests.get(url, headers=headers, params=params)
    if response.status_code == 200:
        news_data = response.json()
        return news_data['items']  # 뉴스 기사 리스트 반환
    else:
        st.error("뉴스 데이터를 불러오는 데 실패했습니다.")
        return []

# 머신러닝 모델 로드 및 학습
def train_ml_model():
    # 여기서는 샘플 데이터를 사용하여 학습
    # 실제 데이터를 이용한 학습 과정이 필요합니다.
    data = [
        ("진보적인 정부 정책을 강화해야 한다", "LEFT"),
        ("보수적인 경제 정책이 필요하다", "RIGHT"),
        ("중립적인 입장에서 상황을 평가한다", "NEUTRAL")
    ]
    texts, labels = zip(*data)

    # TF-IDF 벡터화
    vectorizer = TfidfVectorizer(max_features=1000)
    X = vectorizer.fit_transform(texts)
    y = labels

    # 훈련 및 테스트 데이터 나누기
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

    # 로지스틱 회귀 모델 학습
    model = LogisticRegression()
    model.fit(X_train, y_train)

    # 모델 성능 평가
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    st.write(f"모델 정확도: {accuracy:.2f}")

    # 모델 저장
    joblib.dump(model, 'political_bias_model.pkl')
    joblib.dump(vectorizer, 'tfidf_vectorizer.pkl')

    return model, vectorizer

# 로드된 머신러닝 모델로 성향 분석
def analyze_article_sentiment_ml(text, model, vectorizer):
    X = vectorizer.transform([text])
    prediction = model.predict(X)[0]
    
    # 성향에 따른 레이블 반환
    if prediction == "LEFT":
        return "진보"
    elif prediction == "RIGHT":
        return "보수"
    else:
        return "중립"

# GPT-4를 이용해 반대 관점 기사 생성
def generate_article_gpt4(prompt):
    try:
        # GPT-4 모델을 이용해 반대 관점 기사를 생성
        response = openai.ChatCompletion.create(
            model="gpt-4",  # GPT-4 모델을 사용
            messages=[ 
                {"role": "system", "content": "You are a helpful assistant that generates articles."},
                {"role": "user", "content": prompt}  # 사용자가 제공한 프롬프트
            ],
            max_tokens=1024,  # 글자 수 제한 해제 (최대 1024 토큰)
            temperature=0.7  # 창의성 정도
        )
        return response['choices'][0]['message']['content']  # GPT의 응답 텍스트 반환
    except Exception as e:
        return f"Error generating text: {e}"

# 정치적 관점 비교 및 반대 관점 생성
def analyze_news_political_viewpoint(query, model, vectorizer):
    # 뉴스 데이터 가져오기
    news_items = fetch_naver_news(query)
    if not news_items:
        return [], {}

    results = []
    sentiment_counts = {"진보": 0, "보수": 0, "중립": 0}  # 매핑된 라벨에 맞게 초기화

    for item in news_items:
        title = item["title"]
        description = item["description"]
        link = item["link"]  # 뉴스 링크 가져오기
        combined_text = f"{title}. {description}"

        # 머신러닝 모델을 이용한 성향 분석
        sentiment = analyze_article_sentiment_ml(combined_text, model, vectorizer)
        sentiment_counts[sentiment] += 1  # 매핑된 키로 카운트 증가

        # 반대 관점 기사 생성
        opposite_perspective = "보수적" if sentiment == "진보" else "진보적"
        prompt = f"{combined_text}를 기반으로 {opposite_perspective} 관점의 기사를 작성해주세요."
        opposite_article = generate_article_gpt4(prompt)

        results.append({
            "제목": title,
            "원본 기사": description,
            "성향": sentiment,
            "대조 관점 기사": opposite_article,
            "뉴스 링크": link  # 링크 추가
        })

    return results, sentiment_counts

# 성향 분포 시각화 (막대 그래프)
def visualize_sentiment_distribution(sentiment_counts):
    fig, ax = plt.subplots(figsize=(8, 5))
    labels = list(sentiment_counts.keys())
    sizes = list(sentiment_counts.values())

    # 색상 설정 (부드러운 팔레트)
    color_palette = sns.color_palette("pastel")[0:len(sizes)]
    
    ax.bar(labels, sizes, color=color_palette)
    ax.set_xlabel('성향', fontsize=14)
    ax.set_ylabel('건수', fontsize=14)
    ax.set_title('뉴스 성향 분포', fontsize=16)
    st.pyplot(fig)

# Streamlit 애플리케이션
st.title("📰 정치적 관점 비교 분석 도구")
st.markdown("뉴스 기사의 정치 성향 분석과 반대 관점 기사를 생성하여 비교합니다.")

# 머신러닝 모델 로드
if not os.path.exists('political_bias_model.pkl'):
    model, vectorizer = train_ml_model()
else:
    model = joblib.load('political_bias_model.pkl')
    vectorizer = joblib.load('tfidf_vectorizer.pkl')

# 사용자로부터 검색어 입력 받기
query = st.text_input("검색 키워드를 입력하세요", value="정치")

# 분석 시작 버튼
if st.button("🔍 분석 시작"):
    with st.spinner("분석 중..."):
        analysis_results, sentiment_counts = analyze_news_political_viewpoint(query, model, vectorizer)

        if analysis_results:
            st.success("뉴스 분석이 완료되었습니다.")
            
            # 뉴스 기사 목록 표시
            for result in analysis_results:
                st.subheader(result["제목"])
                st.write(f"성향: {result['성향']}")
                st.write(f"기사: {result['원본 기사']}")
                st.write(f"[원본 기사 보기]({result['뉴스 링크']})")
                st.write(f"대조 관점 기사: {result['대조 관점 기사']}")
                st.markdown("---")
            
            # 성향 분포 시각화
            visualize_sentiment_distribution(sentiment_counts)
        else:
            st.warning("검색된 뉴스가 없습니다.")