""" In-memory хранилище векторов на numpy. Хранит векторные представления постов для быстрого сравнения. Поддерживает персистентность через сохранение/загрузку с диска. """ import hashlib import logging import os import threading from pathlib import Path from typing import List, Optional, Tuple import numpy as np from app.exceptions import InsufficientExamplesError, VectorStoreError logger = logging.getLogger(__name__) class VectorStore: """ In-memory хранилище векторов для RAG. Хранит отдельно положительные (опубликованные) и отрицательные (отклоненные) примеры. Использует косинусное сходство для расчета скора. Attributes: vector_dim: Размерность векторов (768 для ruBERT) max_examples: Максимальное количество примеров каждого типа """ def __init__( self, vector_dim: int = 768, max_examples: int = 10000, storage_path: Optional[str] = None, score_multiplier: float = 5.0, ): """ Инициализация хранилища. Args: vector_dim: Размерность векторов max_examples: Максимальное количество примеров каждого типа storage_path: Путь для сохранения/загрузки векторов (опционально) score_multiplier: Множитель для усиления разницы в скорах """ self.vector_dim = vector_dim self.max_examples = max_examples self.storage_path = storage_path self.score_multiplier = score_multiplier # Инициализируем пустые массивы # Используем список для динамического добавления, потом конвертируем в numpy self._positive_vectors: list = [] self._negative_vectors: list = [] self._positive_hashes: list = [] # Хеши текстов для дедупликации self._negative_hashes: list = [] # Lock для потокобезопасности self._lock = threading.Lock() # Пытаемся загрузить сохраненные векторы if storage_path and os.path.exists(storage_path): self._load_from_disk() @property def positive_count(self) -> int: """Количество положительных примеров.""" return len(self._positive_vectors) @property def negative_count(self) -> int: """Количество отрицательных примеров.""" return len(self._negative_vectors) @property def total_count(self) -> int: """Общее количество примеров.""" return self.positive_count + self.negative_count @staticmethod def compute_text_hash(text: str) -> str: """Вычисляет хеш текста для дедупликации.""" return hashlib.md5(text.encode('utf-8')).hexdigest() def _normalize_vector(self, vector: np.ndarray) -> np.ndarray: """Нормализует вектор для косинусного сходства.""" norm = np.linalg.norm(vector) if norm == 0: return vector return vector / norm def add_positive(self, vector: np.ndarray, text_hash: Optional[str] = None) -> bool: """ Добавляет положительный пример (опубликованный пост). Args: vector: Векторное представление текста text_hash: Хеш текста для дедупликации (опционально) Returns: True если добавлен, False если дубликат или превышен лимит """ with self._lock: # Проверяем дубликат по хешу if text_hash and text_hash in self._positive_hashes: logger.debug("VectorStore: Пропуск дубликата положительного примера") return False # Проверяем лимит if len(self._positive_vectors) >= self.max_examples: # Удаляем самый старый пример (FIFO) self._positive_vectors.pop(0) self._positive_hashes.pop(0) logger.debug("VectorStore: Удален старый положительный пример (лимит)") # Нормализуем и добавляем normalized = self._normalize_vector(vector) self._positive_vectors.append(normalized) if text_hash: self._positive_hashes.append(text_hash) logger.info(f"VectorStore: Добавлен положительный пример (всего: {self.positive_count})") return True def add_positive_batch( self, vectors: List[np.ndarray], text_hashes: Optional[List[str]] = None ) -> int: """ Добавляет батч положительных примеров. Args: vectors: Список векторов text_hashes: Список хешей текстов для дедупликации Returns: Количество добавленных примеров """ if text_hashes is None: text_hashes = [None] * len(vectors) added = 0 with self._lock: for vector, text_hash in zip(vectors, text_hashes): # Проверяем дубликат по хешу if text_hash and text_hash in self._positive_hashes: continue # Проверяем лимит if len(self._positive_vectors) >= self.max_examples: self._positive_vectors.pop(0) self._positive_hashes.pop(0) # Нормализуем и добавляем normalized = self._normalize_vector(vector) self._positive_vectors.append(normalized) if text_hash: self._positive_hashes.append(text_hash) added += 1 logger.info(f"VectorStore: Добавлено {added} положительных примеров батчем (всего: {self.positive_count})") return added def add_negative(self, vector: np.ndarray, text_hash: Optional[str] = None) -> bool: """ Добавляет отрицательный пример (отклоненный пост). Args: vector: Векторное представление текста text_hash: Хеш текста для дедупликации (опционально) Returns: True если добавлен, False если дубликат или превышен лимит """ with self._lock: # Проверяем дубликат по хешу if text_hash and text_hash in self._negative_hashes: logger.debug("VectorStore: Пропуск дубликата отрицательного примера") return False # Проверяем лимит if len(self._negative_vectors) >= self.max_examples: # Удаляем самый старый пример (FIFO) self._negative_vectors.pop(0) self._negative_hashes.pop(0) logger.debug("VectorStore: Удален старый отрицательный пример (лимит)") # Нормализуем и добавляем normalized = self._normalize_vector(vector) self._negative_vectors.append(normalized) if text_hash: self._negative_hashes.append(text_hash) logger.info(f"VectorStore: Добавлен отрицательный пример (всего: {self.negative_count})") return True def add_negative_batch( self, vectors: List[np.ndarray], text_hashes: Optional[List[str]] = None ) -> int: """ Добавляет батч отрицательных примеров. Args: vectors: Список векторов text_hashes: Список хешей текстов для дедупликации Returns: Количество добавленных примеров """ if text_hashes is None: text_hashes = [None] * len(vectors) added = 0 with self._lock: for vector, text_hash in zip(vectors, text_hashes): # Проверяем дубликат по хешу if text_hash and text_hash in self._negative_hashes: continue # Проверяем лимит if len(self._negative_vectors) >= self.max_examples: self._negative_vectors.pop(0) self._negative_hashes.pop(0) # Нормализуем и добавляем normalized = self._normalize_vector(vector) self._negative_vectors.append(normalized) if text_hash: self._negative_hashes.append(text_hash) added += 1 logger.info(f"VectorStore: Добавлено {added} отрицательных примеров батчем (всего: {self.negative_count})") return added def calculate_similarity_score(self, vector: np.ndarray) -> Tuple[float, float, float]: """ Рассчитывает скор на основе сходства с примерами. Алгоритм: 1. Вычисляем косинусное сходство со всеми примерами 2. Используем топ-k ближайших примеров для более чувствительной оценки 3. Сравниваем топ-k положительных с топ-k отрицательными Args: vector: Векторное представление нового поста Returns: Tuple (score, confidence, score_pos_only): - score: Оценка от 0.0 до 1.0 (neg/pos формула) - confidence: Уверенность (зависит от количества примеров) - score_pos_only: Оценка только по положительным примерам Raises: InsufficientExamplesError: Если недостаточно примеров """ with self._lock: if self.positive_count == 0: raise InsufficientExamplesError( "Нет положительных примеров для сравнения" ) # Нормализуем входной вектор normalized = self._normalize_vector(vector) # Конвертируем в numpy массивы для быстрых вычислений pos_matrix = np.array(self._positive_vectors) # Косинусное сходство с положительными примерами # Для нормализованных векторов это просто скалярное произведение pos_similarities = np.dot(pos_matrix, normalized) # Косинусное сходство с отрицательными примерами if self.negative_count > 0: neg_matrix = np.array(self._negative_vectors) neg_similarities = np.dot(neg_matrix, normalized) else: neg_similarities = np.array([]) # Используем топ-k ближайших примеров для более чувствительной оценки # Берем очень небольшое k (3-5) для максимальной чувствительности к различиям k_pos = min(5, max(3, len(pos_similarities))) # Топ-k положительных примеров (самые близкие) top_k_pos_sim = float(np.mean(np.sort(pos_similarities)[-k_pos:])) # Для отрицательных: если их меньше k, берем все, иначе топ-k if len(neg_similarities) > 0: k_neg = min(5, max(3, len(neg_similarities))) top_k_neg_sim = float(np.mean(np.sort(neg_similarities)[-k_neg:])) else: # Если нет отрицательных примеров, используем нейтральное значение top_k_neg_sim = top_k_pos_sim # Нейтральный скор = 0.5 # === Вариант 1: neg/pos (разница между топ-k положительными и отрицательными) === # Используем более агрессивную нормализацию для малых различий diff = top_k_pos_sim - top_k_neg_sim # Увеличиваем множитель для большей чувствительности к малым различиям # Базовый множитель умножаем на 25-30 для работы с топ-k (которые дают значения 0.95-0.99) base_multiplier = self.score_multiplier * 25.0 # 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)) # 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)) # === Вариант 2: pos only (только положительные, топ-k ближайших) === # Берём топ-5 ближайших положительных примеров top_5_k = min(5, len(pos_similarities)) top_5_sim = float(np.mean(np.sort(pos_similarities)[-top_5_k:])) # Нормализуем: 0.85 -> 0.0, 0.95 -> 1.0 (типичный диапазон для BERT) score_pos_only = (top_5_sim - 0.85) / 0.10 score_pos_only = max(0.0, min(1.0, score_pos_only)) # Основной скор — neg/pos score = score_neg_pos # Confidence зависит от количества примеров (100% при 1000 примерах) total_examples = self.positive_count + self.negative_count confidence = min(1.0, total_examples / 1000) # Дополнительная диагностическая информация pos_mean = float(np.mean(pos_similarities)) pos_std = float(np.std(pos_similarities)) pos_min = float(np.min(pos_similarities)) pos_max = float(np.max(pos_similarities)) if len(neg_similarities) > 0: neg_mean = float(np.mean(neg_similarities)) neg_std = float(np.std(neg_similarities)) neg_min = float(np.min(neg_similarities)) neg_max = float(np.max(neg_similarities)) else: neg_mean = neg_std = neg_min = neg_max = 0.0 logger.info( f"VectorStore: top_k_pos={k_pos}, top_k_neg={k_neg if len(neg_similarities) > 0 else 0}, " f"top_k_pos_sim={top_k_pos_sim:.4f}, top_k_neg_sim={top_k_neg_sim:.4f}, " f"diff={diff:.4f}, adaptive_mult={adaptive_multiplier:.2f}, " f"score_neg_pos={score_neg_pos:.4f}, score_pos_only={score_pos_only:.4f}, " f"pos_mean={pos_mean:.4f}±{pos_std:.4f}[{pos_min:.4f}-{pos_max:.4f}], " f"neg_mean={neg_mean:.4f}±{neg_std:.4f}[{neg_min:.4f}-{neg_max:.4f}]" ) return score, confidence, score_pos_only def save_to_disk(self, path: Optional[str] = None) -> None: """ Сохраняет векторы на диск. Args: path: Путь для сохранения (если не указан, используется storage_path) """ save_path = path or self.storage_path if not save_path: raise VectorStoreError("Путь для сохранения не указан") with self._lock: # Создаем директорию если нужно Path(save_path).parent.mkdir(parents=True, exist_ok=True) # Сохраняем в npz формате np.savez_compressed( save_path, positive_vectors=np.array(self._positive_vectors) if self._positive_vectors else np.array([]), negative_vectors=np.array(self._negative_vectors) if self._negative_vectors else np.array([]), positive_hashes=np.array(self._positive_hashes, dtype=object), negative_hashes=np.array(self._negative_hashes, dtype=object), vector_dim=self.vector_dim, max_examples=self.max_examples, ) logger.info( f"VectorStore: Сохранено на диск ({self.positive_count} pos, " f"{self.negative_count} neg): {save_path}" ) def _load_from_disk(self) -> None: """Загружает векторы с диска.""" if not self.storage_path or not os.path.exists(self.storage_path): return try: with self._lock: data = np.load(self.storage_path, allow_pickle=True) # Загружаем векторы pos_vectors = data.get('positive_vectors', np.array([])) neg_vectors = data.get('negative_vectors', np.array([])) if pos_vectors.size > 0: self._positive_vectors = list(pos_vectors) if neg_vectors.size > 0: self._negative_vectors = list(neg_vectors) # Загружаем хеши pos_hashes = data.get('positive_hashes', np.array([])) neg_hashes = data.get('negative_hashes', np.array([])) if pos_hashes.size > 0: self._positive_hashes = list(pos_hashes) if neg_hashes.size > 0: self._negative_hashes = list(neg_hashes) logger.info( f"VectorStore: Загружено с диска ({self.positive_count} pos, " f"{self.negative_count} neg): {self.storage_path}" ) except Exception as e: logger.error(f"VectorStore: Ошибка загрузки с диска: {e}") # Продолжаем с пустым хранилищем def clear(self) -> None: """Очищает все векторы.""" with self._lock: self._positive_vectors.clear() self._negative_vectors.clear() self._positive_hashes.clear() self._negative_hashes.clear() logger.info("VectorStore: Хранилище очищено") def get_stats(self) -> dict: """Возвращает статистику хранилища.""" return { "positive_count": self.positive_count, "negative_count": self.negative_count, "total_count": self.total_count, "vector_dim": self.vector_dim, "max_examples": self.max_examples, "storage_path": self.storage_path, }