Anomaaliate ja duplikaatide tuvastamine
Sellel lehel
Eesmärgid
- Tuvasta korpuses ebatavalised tekstid
- Määra semantilised duplikaadid
- Ehita dedubleerimise töövoog
Anomaaliate tuvastamine
Selle tunni kahel rakendusel on sama intuitsioon, mida rakendatakse sarnasuse skaala vastasotstes. Tekst on “ebatavaline”, kui see on semantiliselt kaugel kõigest muust korpuses; tekst on duplikaat, kui see on liiga lähedal. Manused (embeddings) võimaldavad mõlemal juhul seda kaugust mõõta. Enamik tööst seisneb lävendite kalibreerimises.
Esimene lähenemine loob korpuse tsentroidi – kõigi vektorite keskmise, mis esindab “selle korpuse tavalist teemat” – ja mõõdab seejärel, kui kaugele iga tekst sellest kõrvale kaldub. Lävi ei ole tahtlikult absoluutväärtus, vaid protsentiil: sa ei saa ette teada, kui kaugel anomaalia asub, kuid sa tead, et soovid uurida kõige ebatüüpilisemat 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]}...")
Näitekorpuse lugu räägib iseenda eest: viis personalipoliitika lauset ja üks SQL-i süstimise katse. Ükski märksõnafilter poleks süstimist ilma eelnevalt kirjutatud reeglita tabanud; kaugus tsentroidist märgib selle ära ilma igasuguse eelneva etteaimduseta. See on peamine argument meetodi kasutamiseks sisenevate dokumentide voogu jälgimisel.
Tsentroidil on siiski üks nõrkus: see eeldab, et korpus tiirleb ümber ühe teema. Kui sinu dokumendid hõlmavad kolme väga erinevat valdkonda, langeb keskmine punkt semantilisse tühimikku ja kõik tekstid tunduvad võrdselt kauged. K-lähima naabri (k-NN) lähenemine väldib seda, hinnates iga teksti selle vahetu naabruse, mitte kogu hulga põhjal: vähemusrühma kuuluv dokument jääb normaalseks seni, kuni tal on naabreid.
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
Semantiline duplikaatide tuvastamine
Skaala teises otsas asuvad tekstid, mis on liiga lähedal. Kaks kirjet võivad olla duplikaadid isegi erinevate sõnadega – „Kuidas ma saan oma parooli lähtestada?“ ja „Unustasin parooli, mida ma teen?“ jagavad vaid kolme ühist sõna – ja just seda ei suuda hašimine või stringide võrdlus kunagi tabada. Manused tuvastavad need.
Funktsioon arvutab täieliku sarnasusmaatriksi ja tagastab kõik paarid, mis ületavad läve. Jälgi kulu: see võrdlus on ruutkeskmise keerukusega, mis jääb mõne tuhande teksti puhul silmapilksuks, kuid muutub miljoni puhul ebapraktiliseks – siis pead kasutama ligikaudset indeksit, nagu need, mida käsitlesime vektorandmebaaside juures.
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']}")
Siinne väljakutse kasutab lävena 0,85 vaikimisi 0,90 asemel, sest sama tugiküsimuse ümberformuleerimised jäävad sageli kaugele alla 0,90. See on seadistus, mille häälestamiseks kulutad kõige rohkem aega: kui seadad selle liiga kõrgeks, lased duplikaadid läbi; kui liiga madalaks, liidad „kuidas muuta parooli“ ja „kuidas muuta meiliaadressi“ – kaks erinevat küsimust, mis näevad väga sarnased välja.
Dedubleerimise töövoog
Paaride tuvastamisest ei piisa korpuse puhastamiseks. Kui A sarnaneb B-ga ja B sarnaneb C-ga, kuuluvad kõik kolm samasse rühma, isegi kui A ja C vahelist võrdlust ei tehtud otse üle läve. Transitiivne rühmitamine on tegelik töö ja Union-Find struktuur lahendab selle ühe läbimisega: iga tuvastatud paar liidab kaks hulka, tulemuseks on lõpus täielikult moodustunud duplikaatide rühmad.
Siiski pead valima, milline liige ellu jääb. Siin kasutatud reegel – lühim tekst – toimib hästi tugiküsimuste puhul, kus kõige lakoonilisem formuleering on sageli kõige kanonilisem. Dokumentide korpuse puhul soovid tõenäoliselt vastupidist või kõige uuemat: see on äriotsus, mitte tehniline detail. Tagastatud sõnastik hoiab alles kustutatud tekstide loendi, et inimene saaks enne kinnitamist piirjuhtumeid kontrollida.
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']}")
RAG-indeksi eel rakendatuna avaldab see dedubleerimine kvaliteedile otsest mõju: see takistab olukorda, kus küsimusele tagastatud viis tulemust on sama lõigu viis versiooni, mis jätaks generaatori ilma igasugusest lisainformatsioonist.
Peamised punktid
- Kaugus tsentroidini või k-NN tuvastab ebatavalised tekstid
- Koosiinussarnasus üle läve tuvastab duplikaadid
- Union-Find rühmitab transitiivsed duplikaadid tõhusalt
- Kalibreeri läved oma andmetel (duplikaatide puhul tüüpiliselt 0,85–0,95)