Hasonlóság szemantikai értelemben
Ezen az oldalon
Szövegek közelségének mérése
Miután a mistral-embed modell segítségével vektorokká alakítottad a szövegeidet, számszerűsítheted, mennyire állnak szemantikai értelemben közel egymáshoz. Ez a szemantikai keresés lényege: a jelentéseket hasonlítjuk össze, nem csupán a szavakat. Míg egy SQL LIKE '%invoice%' lekérdezés egyszerű igen/nem választ ad, egy hasonlósági metrika egy számot szolgáltat, ami lehetővé teszi a rangsorolást. Éppen ez a rangsorolás teszi értékessé az egész rendszert.
Ebben a leckében megvalósítod a főbb hasonlósági metrikákat, és konkrét Python-példákon keresztül megnézed, hogyan működnek a gyakorlatban.
Euklideszi távolság
Az euklideszi távolság a vektortérben lévő két pont közötti szakasz hosszát méri. Minél kisebb a távolság, annál hasonlóbbak a szövegek. Az alábbi példa három mondatot hasonlít össze: az első kettő ugyanazt mondja eltérő szókészlettel, míg a harmadik az almáspitéről szól. Az A és B mondatoknak nincs közös szavuk, mégis a közöttük lévő távolság jelentősen kisebb lesz, mint az A és C közötti.
import numpy as np
from mistralai.client import Mistral
client = Mistral(api_key=api_key)
def get_embedding(text):
"""Get the embedding for a text via mistral-embed."""
response = client.embeddings.create(
model="mistral-embed",
inputs=[text],
)
return np.array(response.data[0].embedding)
# Three sentences to compare
phrase_a = "Machine learning transforms data into predictions."
phrase_b = "Automatic learning converts data into results."
phrase_c = "The recipe for apple pie is simple."
emb_a = get_embedding(phrase_a)
emb_b = get_embedding(phrase_b)
emb_c = get_embedding(phrase_c)
# Euclidean distances
dist_ab = np.linalg.norm(emb_a - emb_b)
dist_ac = np.linalg.norm(emb_a - emb_c)
print(f"Distance A-B (semantically close): {dist_ab:.4f}")
print(f"Distance A-C (semantically distant): {dist_ac:.4f}")
# A-B will be significantly lower than A-C
Koszinusz-hasonlóság
A koszinusz-hasonlóság a beágyazások (embeddings) leggyakrabban használt metrikája. Két vektor szögét méri, függetlenül azok nagyságától. Az eredmény -1 és 1 között mozog, ami azonnal értelmezhető skálát biztosít: meghatározhatsz egy küszöbértéket, és közölheted azt az üzleti csapattal anélkül, hogy el kellene magyaráznod a vektornormákat.
from sklearn.metrics.pairwise import cosine_similarity
# With scikit-learn
sim_ab = cosine_similarity([emb_a], [emb_b])[0][0]
sim_ac = cosine_similarity([emb_a], [emb_c])[0][0]
print(f"Cosine similarity A-B: {sim_ab:.4f}") # ~0.92 (very close)
print(f"Cosine similarity A-C: {sim_ac:.4f}") # ~0.35 (distant)
A 0,92 és 0,35 közötti különbség a hasznos információ: nem az abszolút érték számít, hanem az a távolság, amely elválasztja a releváns találatokat a témától idegenektől a te saját adathalmazodban. A metrikát manuálisan is megvalósíthatod, akár csak annak ellenőrzésére, mit csinál a scikit-learn, vagy függőségek elkerülésére egy korlátozott környezetben:
def cosine_sim(vec_a, vec_b):
"""Manual cosine similarity."""
dot = np.dot(vec_a, vec_b)
norm_a = np.linalg.norm(vec_a)
norm_b = np.linalg.norm(vec_b)
return dot / (norm_a * norm_b)
print(f"Manual verification A-B: {cosine_sim(emb_a, emb_b):.4f}")
Hasonlósági mátrix
Több dokumentum egymással való összehasonlításához felépíthetsz egy hasonlósági mátrixot. Az alábbi korpusz szándékosan kever két témát – a mesterséges intelligenciát és a gasztronómiát –, így a szerkezet szembetűnő: a 0., 1. és 3. dokumentumok összefüggenek egymással, míg a 2. és 4. dokumentumok egy különálló klasztert alkotnak. Pontosan ezt a jelet használják ki a klaszterező algoritmusok.
from sklearn.metrics.pairwise import cosine_similarity
documents = [
"Mistral AI develops language models.",
"LLMs generate text from prompts.",
"French cuisine is renowned worldwide.",
"NLP is a branch of artificial intelligence.",
"Croissants taste best in the morning.",
]
# Encode all documents
response = client.embeddings.create(
model="mistral-embed",
inputs=documents,
)
embeddings = np.array([d.embedding for d in response.data])
# Similarity matrix (5x5)
sim_matrix = cosine_similarity(embeddings)
print("Similarity Matrix:")
for i, doc in enumerate(documents):
for j, doc2 in enumerate(documents):
if j > i:
print(f" [{i}]-[{j}]: {sim_matrix[i][j]:.3f}")
Egyszerű szemantikai keresés
A fentiek mindegye összeáll egy mini keresőmotorrá. A lekérdezést ugyanazzal a modellel kódolod, mint a korpuszt – ez nem tárgyalható feltétel, mivel két különböző modell összehasonlíthatatlan tereket hoz létre –, majd az argsort megfordítja a rangsorolást, hogy a legmagasabb pontszámok kerüljenek felülre.
def recherche_semantique(query, documents, embeddings, top_k=3):
"""Finds the most relevant documents for a query."""
# Encode the query
query_response = client.embeddings.create(
model="mistral-embed",
inputs=[query],
)
query_embedding = np.array(query_response.data[0].embedding)
# Calculate similarities
similarities = cosine_similarity(
[query_embedding], embeddings
)[0]
# Sort by descending similarity
ranked_indices = np.argsort(similarities)[::-1][:top_k]
results = []
for idx in ranked_indices:
results.append({
"document": documents[idx],
"score": similarities[idx],
"index": int(idx),
})
return results
# Usage example
query = "How does Mistral's AI work?"
results = recherche_semantique(query, documents, embeddings)
for r in results:
print(f" Score: {r['score']:.3f} -- {r['document']}")
Relevancia-küszöb
Ennek a motornak van egy hibája, amit éles környezetben gyorsan felfedezel: mindig visszaad három találatot, még akkor is, ha a kérdésnek semmi köze a korpuszhoz. Kérdezz rá az időjárásra, és visszaadja a három legkevésbé távoli dokumentumot, nevetségesen alacsony pontszámokkal, de látszólag normális rangsorolással. A gyakorlatban ezért meg kell határoznod egy hasonlósági küszöbértéket, amely alatt egy dokumentumot irrelevánsnak tekintesz:
SEUIL_PERTINENCE = 0.7
def recherche_avec_seuil(query, documents, embeddings, seuil=SEUIL_PERTINENCE):
"""Search with filtering by relevance threshold."""
results = recherche_semantique(query, documents, embeddings, top_k=len(documents))
return [r for r in results if r["score"] >= seuil]
# A threshold of 0.7 is a good starting point
# Adjust based on your use case:
# - 0.8+: very strict (few results, high relevance)
# - 0.6-0.7: balanced
# - 0.5: permissive (many results, variable relevance)
Szánj időt ennek a küszöbértéknek a kalibrálására körülbelül harminc valós lekérdezésen, mielőtt megnyitnád a szolgáltatást a felhasználók előtt. Ha túl magasra állítod, a motorod azt mondja: „nem tudom“ a jogos kérdésekre is. Ha túl alacsonyra, akkor témától idegen kontextust táplálsz az LLM-be, létrehozva éppen azokat a hallucinációkat, amelyeket a RAG hivatott volt megelőzni.
Főbb megállapítások
- A koszinusz-hasonlóság a szabványos metrika a beágyazások összehasonlítására
- Használd a
sklearn.metrics.pairwise.cosine_similarityfüggvényt a gyors számításokhoz - A hasonlósági mátrix lehetővé teszi az összes dokumentum egymással való összehasonlítását
- Határozz meg a használati esetedhez igazított relevancia-küszöböt (a 0,7 jó alapértelmezett érték)
- A szemantikai keresés jelentés alapján talál találatokat, nem pedig pontos szövegegyezés alapján