Detektion af anomalier og dubletter
På denne side
Mål
- Registrer unormale tekster i et korpus
- Identificer semantiske dubletter
- Byg en pipeline til fjernelse af dubletter
Detektion af anomalier
De to anvendelser i denne lektion deler samme intuition, men anvendt på hver sin ende af lighedsskalaen. En tekst er „unormal”, hvis den er semantisk fjern fra alt andet i korpussen; en tekst er en dublet, hvis den er for tæt på. Embeddings giver dig mulighed for at måle denne afstand i begge tilfælde. Det meste af arbejdet består i at kalibrere tærskelværdierne.
Den første tilgang beregner korpussens centroid – gennemsnittet af alle vektorer, hvilket repræsenterer „det sædvanlige emne i dette korpus” – og måler derefter, hvor meget hver tekst afviger fra den. Tærsklen er bevidst ikke en absolut værdi, men en percentil: Du kan ikke på forhånd vide, hvor langt væk en anomali ligger, men du ved, at du ønsker at undersøge de mest atypiske 5 %.
from openai import OpenAI
import numpy as np
client = OpenAI()
def detect_anomalies(
texts: list[str],
percentile_threshold: float = 95,
model: str = "text-embedding-3-large"
) -> list[dict]:
"""Detects abnormal texts by distance to the centroid."""
response = client.embeddings.create(
input=texts, model=model
)
embeddings = np.array(
[d.embedding for d in sorted(response.data, key=lambda x: x.index)]
)
# Corpus centroid
centroid = embeddings.mean(axis=0)
centroid /= np.linalg.norm(centroid)
# Distance of each text to the centroid
similarities = embeddings @ centroid
threshold = np.percentile(similarities, 100 - percentile_threshold)
anomalies = []
for i, sim in enumerate(similarities):
if sim < threshold:
anomalies.append({
"index": i,
"text": texts[i],
"similarity": float(sim),
"is_anomaly": True
})
return anomalies
# Example
corpus = [
"Our leave policy provides 25 days per year",
"Leave must be requested 2 weeks in advance",
"Leave balances are visible on the HR portal",
"Exceptional leave is granted with supporting documentation",
"SELECT * FROM users WHERE admin=1; DROP TABLE users;--", # Anomaly!
"The remote work policy allows 3 days per week",
]
anomalies = detect_anomalies(corpus)
for a in anomalies:
print(f" ANOMALY [{a['similarity']:.3f}] : {a['text'][:60]}...")
Eksempelkorpussen fortæller historien: fem sætninger om HR-politik og ét SQL-injektionsforsøg. Intet nøgleordsfilter ville have fanget injektionen uden en forudskrevet regel; afstanden til centroiden flagger den uden nogen form for forhåndsviden. Dette er hovedargumentet for at bruge metoden til at overvåge en strøm af indkommende dokumenter.
Centroiden har dog en svaghed: Den antager, at korpussen kredser om ét enkelt tema. Hvis dine dokumenter dækker tre meget forskellige domæner, havner gennemsnitspunktet i et semantisk tomrum, og alle tekster fremstår lige langt væk. Tilgangen med k-nærmeste naboer (k-NN) omgår dette ved at bedømme hver tekst ud fra dens umiddelbare nabolag frem for hele sættet: Et dokument, der tilhører en minoritetsgruppe, forbliver normalt, så længe det har naboer.
def detect_anomalies_knn(
texts: list[str],
k: int = 3,
percentile_threshold: float = 90,
model: str = "text-embedding-3-large"
) -> list[dict]:
"""Detects anomalies by distance to the k nearest neighbors."""
response = client.embeddings.create(
input=texts, model=model
)
embeddings = np.array(
[d.embedding for d in sorted(response.data, key=lambda x: x.index)]
)
# Similarity matrix
sim_matrix = embeddings @ embeddings.T
# For each text, average of the k nearest neighbors
isolation_scores = []
for i in range(len(texts)):
sims = sim_matrix[i].copy()
sims[i] = -1 # Exclude self
top_k_sims = np.sort(sims)[-k:]
isolation_scores.append(top_k_sims.mean())
threshold = np.percentile(isolation_scores, 100 - percentile_threshold)
anomalies = []
for i, score in enumerate(isolation_scores):
if score < threshold:
anomalies.append({
"index": i,
"text": texts[i],
"isolation_score": float(score)
})
return anomalies
Semantisk detektion af dubletter
I den anden ende af skalaen finder vi tekster, der er for tæt på hinanden. To poster kan være dubletter, selv med forskellige ord – „Hvordan nulstiller jeg min adgangskode?” og „Har glemt adgangskode, hvad gør jeg?” deler kun tre fælles ord – og det er præcis det, hashing eller strengsammenligning aldrig vil fange. Embeddings registrerer dem.
Funktionen beregner den fulde lighedsmatrix og returnerer alle par over tærsklen. Pas på omkostningerne: Denne sammenligning er kvadratisk, hvilket er øjeblikkeligt for nogle få tusinde tekster, men bliver upraktisk for en million – her skal du bruge et approksimativt indeks som dem, der behandles sammen med vektordatabaser.
def find_duplicates(
texts: list[str],
threshold: float = 0.90,
model: str = "text-embedding-3-large"
) -> list[dict]:
"""Finds pairs of semantically identical texts."""
response = client.embeddings.create(
input=texts, model=model
)
embeddings = np.array(
[d.embedding for d in sorted(response.data, key=lambda x: x.index)]
)
# Similarity matrix
sim_matrix = embeddings @ embeddings.T
duplicates = []
for i in range(len(texts)):
for j in range(i + 1, len(texts)):
if sim_matrix[i][j] >= threshold:
duplicates.append({
"text_a": texts[i],
"text_b": texts[j],
"index_a": i,
"index_b": j,
"similarity": float(sim_matrix[i][j])
})
return sorted(duplicates, key=lambda x: x["similarity"], reverse=True)
# Example
texts = [
"How do I reset my password?",
"I cannot log in to my account",
"Forgot password, what do I do?", # Duplicate of [0]
"What is the refund policy?",
"Unable to access my personal space", # Duplicate of [1]
"How do I get a refund?", # Duplicate of [3]
]
dupes = find_duplicates(texts, threshold=0.85)
print(f"{len(dupes)} duplicate pairs found:")
for d in dupes:
print(f" [{d['similarity']:.3f}]")
print(f" A: {d['text_a']}")
print(f" B: {d['text_b']}")
Kaldet her bruger en tærskel på 0,85 i stedet for standarden 0,90, fordi omformuleringer af det samme supportspørgsmål ofte falder langt under 0,90. Dette er den indstilling, du vil bruge mest tid på at finjustere: Sætter du den for højt, slipper dubletter igennem; sætter du den for lavt, slår du „hvordan ændrer jeg min adgangskode” sammen med „hvordan ændrer jeg min e-mail-adresse”, to forskellige spørgsmål, der ser meget ens ud.
Pipeline til fjernelse af dubletter
Det er ikke nok at registrere par for at rense et korpus. Hvis A ligner B, og B ligner C, hører alle tre til samme gruppe, selv hvis A og C aldrig blev sammenlignet direkte over tærsklen. Transitiv gruppering er det egentlige arbejde, og Union-Find-strukturen håndterer dette i et enkelt gennemløb: Hvert registreret par slår to sæt sammen, hvilket resulterer i fuldt dannede dubletgrupper til sidst.
Du skal stadig vælge, hvilket medlem der overlever. Reglen, der bruges her – den korteste tekst – virker godt til supportspørgsmål, hvor den mest koncise formulering ofte er den mest kanoniske. Til et dokumentkorpus vil du sandsynligvis ønske det modsatte, eller den nyeste: Dette er en forretningsmæssig beslutning, ikke en teknisk detalje. Den returnerede ordbog beholder listen over slettede tekster, så et menneske kan verificere kanttilfælde, før de godkendes.
class Deduplicator:
def __init__(self, threshold: float = 0.90):
self.client = OpenAI()
self.threshold = threshold
def deduplicate(self, texts: list[str]) -> dict:
"""Removes semantic duplicates."""
response = self.client.embeddings.create(
input=texts, model="text-embedding-3-large"
)
embeddings = np.array(
[d.embedding for d in sorted(response.data, key=lambda x: x.index)]
)
# Union-Find to group duplicates
parent = list(range(len(texts)))
def find(x):
while parent[x] != x:
parent[x] = parent[parent[x]]
x = parent[x]
return x
def union(a, b):
pa, pb = find(a), find(b)
if pa != pb:
parent[pb] = pa
# Find similar pairs
sim_matrix = embeddings @ embeddings.T
for i in range(len(texts)):
for j in range(i + 1, len(texts)):
if sim_matrix[i][j] >= self.threshold:
union(i, j)
# Keep one representative per group
groups = {}
for i in range(len(texts)):
root = find(i)
if root not in groups:
groups[root] = []
groups[root].append(i)
# Select unique texts (shortest in each group)
uniques = []
deleted = []
for root, members in groups.items():
representative = min(members, key=lambda i: len(texts[i]))
uniques.append(texts[representative])
for m in members:
if m != representative:
deleted.append(texts[m])
return {
"uniques": uniques,
"deleted": deleted,
"n_original": len(texts),
"n_deduplicated": len(uniques),
"n_deleted": len(deleted)
}
# Usage
dedup = Deduplicator(threshold=0.85)
result = dedup.deduplicate(texts)
print(f"Before: {result['n_original']} texts")
print(f"After: {result['n_deduplicated']} texts")
print(f"Deleted: {result['n_deleted']}")
Anvendt upstream for et RAG-indeks har denne fjernelse af dubletter en direkte effekt på kvaliteten: Den forhindrer, at de fem resultater, der returneres for et spørgsmål, er fem versioner af det samme afsnit, hvilket ville fratage generatoren enhver yderligere information.
Vigtige pointer
- Afstand til centroiden eller k-NN registrerer unormale tekster
- Cosinus-lished over en tærskel identificerer dubletter
- Union-Find grupperer transitive dubletter effektivt
- Kalibrer tærskler på dine data (typisk 0,85–0,95 for dubletter)