kerrad/rag-service
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Усилен разрыв score: уменьшен k до 3-5, увеличен множитель до 25x, добавлено нелинейное преобразование

Browse Source
This commit is contained in:
Andrey
2026-01-28 00:30:04 +03:00
parent adc03748cd
commit 671ee4657a
1 changed files with 13 additions and 6 deletions
Download Patch File Download Diff File Expand all files Collapse all files

19
app/storage/vector_store.py
View File

@@ -284,15 +284,15 @@ class VectorStore:
neg_similarities = np.array([]) neg_similarities = np.array([])
# Используем топ-k ближайших примеров для более чувствительной оценки # Используем топ-k ближайших примеров для более чувствительной оценки
# Берем небольшое k (5-10) для большей чувствительности к различиям # Берем очень небольшое k (3-5) для максимальной чувствительности к различиям
k_pos = min(10, max(5, len(pos_similarities))) k_pos = min(5, max(3, len(pos_similarities)))
# Топ-k положительных примеров (самые близкие) # Топ-k положительных примеров (самые близкие)
top_k_pos_sim = float(np.mean(np.sort(pos_similarities)[-k_pos:])) top_k_pos_sim = float(np.mean(np.sort(pos_similarities)[-k_pos:]))
# Для отрицательных: если их меньше k, берем все, иначе топ-k # Для отрицательных: если их меньше k, берем все, иначе топ-k
if len(neg_similarities) > 0: if len(neg_similarities) > 0:
k_neg = min(10, max(5, len(neg_similarities))) k_neg = min(5, max(3, len(neg_similarities)))
top_k_neg_sim = float(np.mean(np.sort(neg_similarities)[-k_neg:])) top_k_neg_sim = float(np.mean(np.sort(neg_similarities)[-k_neg:]))
else: else:
# Если нет отрицательных примеров, используем нейтральное значение # Если нет отрицательных примеров, используем нейтральное значение
@@ -303,13 +303,20 @@ class VectorStore:
diff = top_k_pos_sim - top_k_neg_sim diff = top_k_pos_sim - top_k_neg_sim
# Увеличиваем множитель для большей чувствительности к малым различиям # Увеличиваем множитель для большей чувствительности к малым различиям
# Базовый множитель умножаем на 10-20 для работы с топ-k (которые дают значения 0.95-0.99) # Базовый множитель умножаем на 25-30 для работы с топ-k (которые дают значения 0.95-0.99)
base_multiplier = self.score_multiplier * 15.0 base_multiplier = self.score_multiplier * 25.0
# Адаптивный множитель: чем больше примеров, тем выше чувствительность # Адаптивный множитель: чем больше примеров, тем выше чувствительность
# При 500 примерах: 1.25, при 1000+: 1.5
adaptive_multiplier = base_multiplier * (1.0 + min(0.5, (self.positive_count + self.negative_count) / 2000)) adaptive_multiplier = base_multiplier * (1.0 + min(0.5, (self.positive_count + self.negative_count) / 2000))
score_neg_pos = 0.5 + (diff * adaptive_multiplier) # Используем нелинейное преобразование для усиления различий
# Применяем квадратичную функцию к разнице для большей чувствительности
# Если diff положительный - усиливаем, если отрицательный - тоже усиливаем
sign = 1.0 if diff >= 0 else -1.0
amplified_diff = sign * (abs(diff) ** 0.8) * 1.2 # Слегка нелинейное усиление
score_neg_pos = 0.5 + (amplified_diff * adaptive_multiplier)
score_neg_pos = max(0.0, min(1.0, score_neg_pos)) score_neg_pos = max(0.0, min(1.0, score_neg_pos))
# === Вариант 2: pos only (только положительные, топ-k ближайших) === # === Вариант 2: pos only (только положительные, топ-k ближайших) ===