Similaridade Semântica
Nesta página
Medir a Proximidade de Texto
Assim que transformar os seus textos em vetores utilizando o mistral-embed, consegue quantificar o quão semanticamente próximos dois textos estão. Esta é a essência da pesquisa semântica: comparar significados, e não apenas palavras. Enquanto uma consulta SQL LIKE '%fatura%' devolve um simples sim ou não, uma métrica de similaridade fornece-lhe um número, permitindo a ordenação. É essa ordenação que torna todo o sistema valioso.
Nesta lição, vai implementar as principais métricas de similaridade e observar como funcionam na prática com exemplos concretos em Python.
Distância Euclidiana
A distância euclidiana mede o comprimento do segmento entre dois pontos no espaço vetorial. Quanto menor a distância, mais similares são os textos. O exemplo abaixo compara três frases: as duas primeiras dizem a mesma coisa usando vocabulário diferente, enquanto a terceira discute tarte de maçã. As frases A e B não partilham palavras comuns, contudo, a sua distância será significativamente menor do que a distância entre A e C.
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
Similaridade de Cosseno
A similaridade de cosseno é a métrica mais utilizada para embeddings. Mede o ângulo entre dois vetores, independentemente da sua magnitude. O resultado varia entre -1 e 1, fornecendo uma escala imediatamente legível: pode definir um limiar e comunicá-lo a uma equipa de negócios sem ter de explicar normas vetoriais.
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 diferença entre 0,92 e 0,35 é a informação útil: não é o valor absoluto que importa, mas a margem que separa os resultados relevantes dos temas fora de contexto no seu conjunto de dados específico. Pode também implementar a métrica manualmente, se não for para verificar o que o scikit-learn está a fazer ou para evitar dependências num ambiente restrito:
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}")
Matriz de Similaridade
Para comparar múltiplos documentos entre si, pode construir uma matriz de similaridade. O corpus abaixo mistura intencionalmente dois temas — IA e gastronomia — para que a estrutura salte à vista: os documentos 0, 1 e 3 relacionam-se entre si, enquanto os documentos 2 e 4 formam um cluster separado. Este é exatamente o sinal que os algoritmos de agrupamento (clustering) exploram.
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}")
Pesquisa Semântica Simples
Tudo o que foi apresentado acima combina-se num mini motor de pesquisa. A consulta é codificada com o mesmo modelo que o corpus — uma condição não negociável, já que dois modelos diferentes produzem espaços incomparáveis — e depois o argsort inverte a ordenação para trazer as pontuações mais altas para o topo.
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']}")
Limiar de Relevância
Este motor tem uma falha que descobrirá rapidamente em produção: devolve sempre três resultados, mesmo quando a pergunta nada tem a ver com o corpus. Pergunte-lhe sobre o tempo atmosférico e ele devolverá os três documentos menos distantes, com pontuações irrisórias mas uma ordenação aparentemente normal. Na prática, deve portanto definir um limiar de similaridade abaixo do qual um documento é considerado irrelevante:
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)
Dedique tempo a calibrar este limiar com cerca de trinta consultas reais antes de abrir o serviço aos utilizadores. Se o definir demasiado alto, o seu motor dirá «não sei» a perguntas legítimas. Se o definir demasiado baixo, alimentará o LLM com contexto fora de tema, criando exatamente as alucinações que o RAG deveria prevenir.
Pontos-chave
- A similaridade de cosseno é a métrica padrão para comparar embeddings
- Utilize
sklearn.metrics.pairwise.cosine_similaritypara cálculos rápidos - Uma matriz de similaridade permite comparar todos os documentos entre si
- Defina um limiar de relevância adaptado ao seu caso de uso (0,7 é um bom padrão)
- A pesquisa semântica encontra resultados pelo significado, não por correspondência exata de palavras