Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Rendellenességek és duplikációk észlelése

20. lecke 22 közül Frissítve 2026. július 29. Fejlesztő
Ezen az oldalon
  1. Célok
  2. Rendellenesség-észlelés
  3. Szemantikai duplikáció-észlelés
  4. Deduplikációs folyamat
  5. Főbb megállapítások

Célok

  • Rendellenes szövegek észlelése egy korpuszon belül
  • Szemantikai duplikációk azonosítása
  • Deduplikációs folyamat kiépítése

Rendellenesség-észlelés

Ebben a leckében két alkalmazás osztozik ugyanazon az intuíción, amelyet a hasonlósági skála ellentétes végein alkalmazunk. Egy szöveg akkor „rendellenes“, ha szemantikailag távol áll a korpusz többi részétől; egy szöveg pedig akkor duplikátum, ha túlságosan közel van hozzájuk. A beágyazások (embeddings) segítségével mindkét esetben mérheted ezt a távolságot. A munka nagy része a küszöbértékek kalibrálásából áll.

Az első megközelítés a korpusz centroidját (középpontját) építi fel – ez az összes vektor átlaga, amely „a korpusz szokásos témáját“ képviseli –, majd méri, mennyire tér el ettől az egyes szövegek. A küszöbérték szándékosan nem abszolút érték, hanem egy percentilis: előre nem tudhatod, milyen messze van egy rendellenesség, de azt igen, hogy a legatipikusabb 5%-ot szeretnéd megvizsgálni.

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]}...")

A példa korpusz önmagáért beszél: öt HR-szabályzat mondat és egy SQL-befecskendezési kísérlet. Kulcsszavas szűrő előírt szabály nélkül nem fogta volna el a befecskendezést; a centroidtól való távolság azonban minden előzetes anticipáció nélkül jelzi azt. Ez a fő érv amellett, hogy ezt a módszert használjuk beérkező dokumentumok folyamatos monitorozására.

A centroidnak van egy gyengesége: feltételezi, hogy a korpusz egyetlen téma köré épül. Ha dokumentumaid három nagyon különböző domaint fednek le, az átlagpont egy szemantikai űrbe kerül, és minden szöveg egyformán távolinak tűnik. A k-legközelebbi szomszéd (k-NN) megközelítés ezt kikerüli azzal, hogy minden szöveget a közvetlen környezetéhez viszonyítva ítél meg, nem pedig a teljes halmazhoz képest: egy kisebbségi csoporthoz tartozó dokumentum addig normálisnak számít, amíg vannak szomszédai.

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

Szemantikai duplikáció-észlelés

A skála másik végén azok a szövegek helyezkednek el, amelyek túlságosan közel vannak egymáshoz. Két bejegyzés lehet duplikátum akkor is, ha különböző szavakat használnak – a „Hogyan állíthatom vissza a jelszavam?“ és az „Elfelejtettem a jelszavam, mit tegyek?“ kérdéseknek csak három közös szavuk van –, és pontosan ezt nem fogja el soha a hashelés vagy a karakterlánc-összehasonlítás. A beágyazások viszont észlelik őket.

A függvény kiszámítja a teljes hasonlósági mátrixot, és visszaadja az összes küszöbérték feletti párt. Figyeld a költségeket: ez az összehasonlítás kvadratikus, ami néhány ezer szöveg esetén még pillanatszerű, de egymillió esetén kivitelezhetetlenné válik – ilyenkor közelítő indexet kell használnod, mint például a vektoradatbázisoknál tárgyaltak.

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']}")

A hívás itt 0,85-ös küszöbértéket használ a alapértelmezett 0,90 helyett, mert ugyanazon támogatási kérdés átfogalmazásai gyakran jóval 0,90 alatt maradnak. Ez az a beállítás, amelynek hangolására a legtöbb időt fordítod majd: ha túl magasra állítod, átcsúsznak rajta a duplikátumok; ha túl alacsonyra, akkor összevonod a „hogyan változtassam meg a jelszavam“ és a „hogyan változtassam meg az e-mail címem“ kérdéseket, amelyek két különálló kérdés, bár nagyon hasonlónak tűnnek.

Deduplikációs folyamat

A párok észlelése önmagában nem elég egy korpusz tisztításához. Ha A hasonlít B-re, és B hasonlít C-re, akkor mindhárom ugyanahhoz a csoporthoz tartozik, még akkor is, ha A-t és C-t közvetlenül sosem hasonlítottuk össze a küszöbérték felett. A tranzitív csoportosítás az igazi munka, amelyet a Union-Find (egyesítés-keresés) adatszerkezet egyetlen lépésben kezel: minden észlelt pár egyesít két halmazt, így a végén teljesen kialakult duplikátumcsoportokat kapunk.

Továbbra is el kell döntened, melyik tag marad meg. Az itt alkalmazott szabály – a legrövidebb szöveg – jól működik támogatási kérdések esetén, ahol a legtömörebb megfogalmazás gyakran a legkanonikusabb. Dokumentumkorpusz esetén valószínűleg az ellenkezőjére, vagy a legfrissebbre lesz szükséged: ez üzleti döntés, nem technikai részlet. A visszakapott szótár tartalmazza a törölt szövegek listáját, így egy ember ellenőrizheti a szélsőséges eseteket jóváhagyás előtt.

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']}")

Ha ezt a deduplikációt egy RAG-index előtt alkalmazzuk, az közvetlen hatással van a minőségre: megakadályozza, hogy egy kérdésre visszaadott öt találat ugyanannak a szakasznak az öt változata legyen, ami megfosztaná a generátort minden további információtól.

Főbb megállapítások

  • A centroidtól való távolság vagy a k-NN észleli a rendellenes szövegeket
  • A küszöbérték feletti koszinusz-hasonlóság azonosítja a duplikátumokat
  • A Union-Find hatékonyan csoportosítja a tranzitív duplikátumokat
  • Kalibráld a küszöbértékeket a saját adataidon (duplikátumoknál jellemzően 0,85–0,95 között)