Rendellenességek és duplikációk észlelése
Ezen az oldalon
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)