some edit on kw readme

p2_ner_recognizer.py

@@ -15,7 +15,8 @@ model = "./models/ner/2025-07-22--20-44-37--HooshvareLab--bert-fa-base-uncased-n
 tagger = SequenceTagger.load(model)
 print('model read and tagger initialized')
 
-today = f'{datetime.datetime.now().year}-{datetime.datetime.now().month}-{datetime.datetime.now().day}-{datetime.datetime.now().hour}'
+date = datetime.datetime.now()
+today = f'{date.year}-{date.month}-{date.day}-{date.hour}'
 
 def prepare_data(ner_obj_list):
     ner_data_list = []

p4_keyword_extractor.py

@@ -15,7 +15,8 @@ os.environ['HF_HOME'] = "/home/admin/HFHOME"
 model_id = "meta-llama/Meta-Llama-3.1-8B-Instruct"
 #model_id = "meta-llama/Llama-3.1-70B-Instruct"
 
-today = f'{datetime.datetime.now().year}-{datetime.datetime.now().month}-{datetime.datetime.now().day}-{datetime.datetime.now().hour}'
+date = datetime.datetime.now()
+today = f'{date.year}-{date.month}-{date.day}-{date.hour}'
 
 bnb_config = BitsAndBytesConfig(
     load_in_8bit=True, bnb_8bit_use_double_quant=True, bnb_8bit_quant_type="nf8", bnb_8bit_compute_dtype=torch.bfloat16

p5_representer.py

@@ -6,7 +6,8 @@ from transformers import AutoModelForCausalLM, AutoTokenizer
 import torch
 import json
 
-today = f'{datetime.datetime.now().year}-{datetime.datetime.now().month}-{datetime.datetime.now().day}-{datetime.datetime.now().hour}'
+date = datetime.datetime.now()
+today = f'{date.year}-{date.month}-{date.day}-{date.hour}'
 
 if torch.cuda.is_available():
     model_id = "meta-llama/Meta-Llama-3.1-8B-Instruct"

readme/readme-keyword-extractor-en.md

@@ -1,10 +1,9 @@
 # Keyword Extractor
 
-This project is a simple script for extracting keywords from text using Natural Language Processing (NLP).
+This source is a script for extracting keywords from text using local LLM such as llama based on user prompts.
 
 ## How it works
-The script processes input text and extracts the most relevant keywords using a **pre-trained transformer model** (e.g., `bert-base-uncased` or a similar NLP model).  
+The script processes input text and extracts the most relevant keywords using a large language model(llm) and system and user prompts which are embedded in the source code.
-It is designed to be lightweight, easy to run, and customizable.
 
 ## Requirements
 - Python 3.8+
@@ -31,8 +30,5 @@ For exact versions of the libraries, please check the **`requirements.txt`** fil
 - `display_results(keywords)`: Prints or saves the extracted keywords for further use.
 
 ## Model
-The script uses a **transformer-based model** for keyword extraction. The exact model can be changed in the code if needed.
+The script uses a LLM such as llama3.1-8B for keyword extraction. The exact model can be changed in the code if needed.
 
-## Notes
-- Works with English (and potentially other languages, depending on the model).
-- Results may vary based on the model and input text.

readme/readme-keyword-extractor-fa.md

@@ -1,10 +1,9 @@
 # استخراج‌گر کلمات کلیدی
 
-این پروژه یک اسکریپت ساده برای استخراج کلمات کلیدی از متن با استفاده از **پردازش زبان طبیعی (NLP)** است.
+این سورس، یک اسکریپت برای استخراج کلمات کلیدی از متن با استفاده از مدل های زبانی بزرگی مانند لاما و بر اساس پرامپت های کاربر است.
 
 ## نحوه عملکرد
-این اسکریپت متن ورودی را پردازش کرده و مرتبط‌ترین کلمات کلیدی را با استفاده از یک **مدل از پیش آموزش‌دیده (Transformer Model)** (مانند `bert-base-uncased` یا مدل مشابه) استخراج می‌کند.  
+این اسکریپت متن ورودی را پردازش کرده و مرتبط‌ترین کلمات کلیدی را با استفاده از یک مدل زبانی بزرگ با پرامپت های سیستمی و کاربری که در سورس قابل مشاهده است، استخراج می کند
-طراحی آن ساده، سبک و قابل تغییر است.
 
 ## پیش‌نیازها
 - پایتون 3.8 یا بالاتر
@@ -31,8 +30,5 @@
 - `display_results(keywords)`: نمایش یا ذخیره‌سازی کلمات کلیدی استخراج‌شده برای استفاده‌های بعدی.
 
 ## مدل
-این اسکریپت از یک **مدل مبتنی بر Transformer** برای استخراج کلمات کلیدی استفاده می‌کند. در صورت نیاز می‌توانید مدل را در کد تغییر دهید.
+این اسکریپت از یک مدل زبانی بزرگ مانند llama3.1-8B برای استخراج کلمات کلیدی استفاده می‌کند. در صورت نیاز می‌توانید مدل را در کد تغییر دهید.
 
-## نکات
-- با زبان انگلیسی (و در صورت پشتیبانی مدل، سایر زبان‌ها) کار می‌کند.
-- کیفیت نتایج به مدل و متن ورودی وابسته است.