Zaznavanje anomalij in duplikatov
Na tej strani
Cilji
- Zaznaj nenormalna besedila znotraj korpusa
- Identificiraj semantične duplikate
- Izgradi cevovod za odstranjevanje duplikatov
Zaznavanje anomalij
Dve uporabi v tej lekciji delita isto intuicijo, aplicirano na nasprotnih koncih lestvice podobnosti. Besedilo je „nenormalno”, če je semantično oddaljeno od vsega drugega v korpusu; besedilo je duplikat, če je preblizu. Vgradnje (embeddings) ti omogočajo merjenje te razdalje v obeh primerih. Večina dela zajema umerjanje pragov.
Prvi pristop gradi težišče korpusa – povprečje vseh vektorjev, kar predstavlja „običajno temo tega korpusa” – nato pa meri, kako daleč odstopa vsako besedilo od njega. Prag namerno ni absolutna vrednost, temveč percentil: vnaprej ne moreš vedeti, kako daleč stran leži anomalija, veš pa, da želiš pregledati najbolj atipičnih 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]}...")
Primer korpusa pripoveduje zgodbo: pet stavkov o kadrovski politiki in en poskus injiciranja SQL. Noben filter ključnih besed ne bi zaznal injiciranja brez vnaprej napisanega pravila; razdalja do težišča ga označi brez kakršnega koli predhodnega pričakovanja. To je glavni argument za uporabo metode pri nadzoru toka dohodnih dokumentov.
Težišče ima slabost: predpostavlja, da se korpus vrti okoli ene same teme. Če tvoji dokumenti pokrivajo tri zelo različna področja, povprečna točka pade v semantično praznino in vsa besedila se zdijo enako oddaljena. Pristop k-najbližjih sosedov (k-NN) to obide tako, da vsako besedilo ocenjuje glede na njegovo neposredno okolico namesto glede na celoten nabor: dokument, ki pripada manjšinski skupini, ostane normalen, dokler ima sosede.
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
Semantično zaznavanje duplikatov
Na drugem koncu lestvice so besedila, ki so preblizu. Dva vnosa sta lahko duplikata tudi z različnimi besedami – „Kako ponastavim geslo?” in „Pozabljeno geslo, kaj naj storim?” imata skupne le tri besede – in to je ravno tisto, česar zgoščevanje (hashing) ali primerjava nizov nikoli ne bosta zaznala. Vgradnje jih zaznajo.
Funkcija izračuna celotno matriko podobnosti in vrne vse pare nad pragom. Pozoren bodi na stroške: ta primerjava je kvadratna, kar ostane trenutno za nekaj tisoč besedil, a postane nepraktično za milijon – takrat moraš uporabiti približni indeks, kot so tisti, obravnavani pri vektorskih bazah podatkov.
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']}")
Klic tukaj uporablja prag 0,85 namesto privzetega 0,90, ker preoblikovanja istega vprašanja za podporo pogosto padejo precej pod 0,90. To je nastavitev, ki ji boš namenil največ časa za umerjanje: če jo nastaviš previsoko, bodo duplikati ušli; če jo nastaviš prenizko, boš združil „kako spremenim geslo” s „kako spremenim e-poštni naslov”, dve različni vprašanji, ki si zelo podobni.
Cevovod za odstranjevanje duplikatov
Zaznavanje parov ni dovolj za čiščenje korpusa. Če A spominja na B in B na C, vsi trije spadajo v isto skupino, tudi če A in C nista bila nikoli neposredno primerjana nad pragom. Transitivno grupiranje je pravo delo in struktura Union-Find (združi-in-poišči) to opravi v enem prehodu: vsak zaznan par združi dva niza, kar na koncu da popolnoma oblikovane skupine duplikatov.
Še vedno se moraš odločiti, kateri član preživi. Pravilo, uporabljeno tukaj – najkrajše besedilo – dobro deluje za vprašanja podpore, kjer je najbolj jedrnata formulacija pogosto najbolj kanonična. Za korpus dokumentov boš verjetno želel nasprotno ali najnovejše: to je poslovna odločitev, ne tehnična podrobnost. Vrnjeni slovar hrani seznam izbrisanih besedil, tako da jih človek lahko preveri v mejnih primerih pred odobritvijo.
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']}")
Če se to odstranjevanje duplikatov uporabi pred indeksiranjem RAG, ima neposreden učinek na kakovost: prepreči, da bi bilo pet rezultatov, vrnjenih za vprašanje, pet različic istega odlomka, kar bi generatorju odvzelo kakršne koli dodatne informacije.
Ključne ugotovitve
- Razdalja do težišča ali k-NN zazna nenormalna besedila
- Kosinusna podobnost nad pragom identificira duplikate
- Union-Find učinkovito grupira transitivne duplikate
- Pragi umerjaj na svojih podatkih (običajno 0,85–0,95 za duplikate)