Замена RuBERT на sentence-transformers/all-MiniLM-L12-v2, упрощение формулы расчета, поддержка загрузки из отдельных .npy файлов

app/main.py

@@ -1,7 +1,7 @@
 """
-FastAPI приложение RAG сервиса.
+FastAPI приложение Embedding сервиса.
 
-Сервис для векторного скоринга текстов с использованием ruBERT.
+Сервис для векторного скоринга текстов с использованием sentence-transformers.
 """
 
 import asyncio
@@ -90,7 +90,7 @@ async def lifespan(app: FastAPI) -> AsyncGenerator[None, None]:
     global _autosave_task
     
     setup_logging()
-    logger.info(f"RAG Service v{__version__} запускается...")
+    logger.info(f"Embedding Service v{__version__} запускается...")
     
     settings = get_settings()
     logger.info(f"Настройки: model={settings.model_name}, vectors_path={settings.vectors_path}")
@@ -112,7 +112,7 @@ async def lifespan(app: FastAPI) -> AsyncGenerator[None, None]:
     # logger.info("Прогрев модели при запуске...")
     # await service.warmup()
     
-    logger.info("RAG Service готов к работе")
+    logger.info("Embedding Service готов к работе")
     
     yield
     
@@ -125,21 +125,21 @@ async def lifespan(app: FastAPI) -> AsyncGenerator[None, None]:
             pass
     
     # При остановке сохраняем векторы
-    logger.info("RAG Service останавливается, финальное сохранение векторов...")
+    logger.info("Embedding Service останавливается, финальное сохранение векторов...")
     try:
         service.save_vectors()
         logger.info("Векторы сохранены")
     except Exception as e:
         logger.error(f"Ошибка сохранения векторов: {e}")
     
-    logger.info("RAG Service остановлен")
+    logger.info("Embedding Service остановлен")
 
 
 # Создание приложения
 app = FastAPI(
-    title="RAG Service",
+    title="Embedding Service",
     description="""
-    Сервис векторного скоринга текстов с использованием ruBERT.
+    Сервис векторного скоринга текстов с использованием sentence-transformers.
     
     ## Возможности
     
@@ -150,10 +150,10 @@ app = FastAPI(
     
     ## Алгоритм скоринга
     
-    1. Текст преобразуется в вектор через ruBERT (768 измерений)
-    2. Вычисляется косинусное сходство с положительными примерами
-    3. Вычисляется косинусное сходство с отрицательными примерами
-    4. Финальный скор = разница между сходствами, нормализованная в [0, 1]
+    1. Текст преобразуется в вектор через sentence-transformers/all-MiniLM-L12-v2 (384 измерения)
+    2. Вычисляется косинусное сходство с положительными примерами (топ-k ближайших)
+    3. Вычисляется косинусное сходство с отрицательными примерами (топ-k ближайших)
+    4. Финальный скор = (diff * multiplier + 1) / 2, где diff = avg_pos - avg_neg, нормализованный в [0, 1]
     """,
     version=__version__,
     lifespan=lifespan,