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

Уменьшен k до 5-10 и увеличен множитель для большей чувствительности score

Browse Source
This commit is contained in:
Andrey
2026-01-28 00:24:48 +03:00
parent 83b2116616
commit adc03748cd
1 changed files with 9 additions and 7 deletions
Download Patch File Download Diff File Expand all files Collapse all files

16
app/storage/vector_store.py
View File

@@ -284,17 +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
# k выбирается динамически: минимум 10, но не больше 20% от общего количества # Берем небольшое k (5-10) для большей чувствительности к различиям
k_pos = min(max(10, self.positive_count // 10), 50) k_pos = min(10, max(5, len(pos_similarities)))
k_pos = min(k_pos, len(pos_similarities))
# Топ-k положительных примеров # 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(max(10, self.negative_count // 10), 50) k_neg = min(10, max(5, len(neg_similarities)))
k_neg = min(k_neg, 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
@@ -304,8 +302,12 @@ class VectorStore:
# Используем более агрессивную нормализацию для малых различий # Используем более агрессивную нормализацию для малых различий
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
# Базовый множитель умножаем на 10-20 для работы с топ-k (которые дают значения 0.95-0.99)
base_multiplier = self.score_multiplier * 15.0
# Адаптивный множитель: чем больше примеров, тем выше чувствительность # Адаптивный множитель: чем больше примеров, тем выше чувствительность
adaptive_multiplier = self.score_multiplier * (1.0 + min(1.0, (self.positive_count + self.negative_count) / 1000)) adaptive_multiplier = base_multiplier * (1.0 + min(0.5, (self.positive_count + self.negative_count) / 2000))
score_neg_pos = 0.5 + (diff * adaptive_multiplier) score_neg_pos = 0.5 + (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))