antimoda1 commited on
Commit ·
8318c41
1
Parent(s): daaa8b9
update
Browse files
app.py
CHANGED
|
@@ -75,67 +75,47 @@ def perform_search(query, top_k, year_from, year_to):
|
|
| 75 |
def format_selected_chunks(selected_indices):
|
| 76 |
"""Форматирует выбранные чанки в единый текст для вывода и LLM
|
| 77 |
|
| 78 |
-
Возвра
|
| 79 |
Документ {название}:
|
| 80 |
-
|
| 81 |
"""
|
| 82 |
if not selected_indices:
|
| 83 |
return ""
|
| 84 |
|
| 85 |
-
#
|
| 86 |
-
|
|
|
|
| 87 |
for idx in selected_indices:
|
| 88 |
-
if idx >= len(retrieval.
|
| 89 |
continue
|
| 90 |
|
|
|
|
| 91 |
doc_id = retrieval.docs_metadata[idx]
|
| 92 |
-
|
| 93 |
-
|
| 94 |
-
|
| 95 |
-
|
| 96 |
-
|
| 97 |
-
|
| 98 |
-
|
| 99 |
-
|
| 100 |
-
|
| 101 |
-
if not chunks_with_info:
|
| 102 |
-
return "Нет валидных чанков"
|
| 103 |
-
|
| 104 |
-
# Группируем чанки по документам
|
| 105 |
-
docs_chunks = {}
|
| 106 |
-
for chunk_info in chunks_with_info:
|
| 107 |
-
doc_name = chunk_info['doc_name']
|
| 108 |
-
if doc_name not in docs_chunks:
|
| 109 |
-
docs_chunks[doc_name] = []
|
| 110 |
-
docs_chunks[doc_name].append(chunk_info['index'])
|
| 111 |
|
| 112 |
# Форматируем вывод
|
| 113 |
result_lines = []
|
| 114 |
-
for
|
| 115 |
-
|
|
|
|
| 116 |
|
| 117 |
-
|
| 118 |
-
groups = []
|
| 119 |
-
current_group = [chunk_indices[0]]
|
| 120 |
-
|
| 121 |
-
for i in range(1, len(chunk_indices)):
|
| 122 |
-
if chunk_indices[i] == chunk_indices[i-1] + 1:
|
| 123 |
-
current_group.append(chunk_indices[i])
|
| 124 |
-
else:
|
| 125 |
-
groups.append(current_group)
|
| 126 |
-
current_group = [chunk_indices[i]]
|
| 127 |
-
groups.append(current_group)
|
| 128 |
|
| 129 |
-
#
|
| 130 |
-
|
| 131 |
-
for group in groups:
|
| 132 |
-
sentences = [retrieval.chunks[idx] for idx in group]
|
| 133 |
-
group_texts.append(" ".join(sentences))
|
| 134 |
|
| 135 |
-
#
|
| 136 |
-
|
| 137 |
-
result_lines.append(
|
| 138 |
-
result_lines.append("") # Пустая строка между
|
| 139 |
|
| 140 |
return "\n".join(result_lines)
|
| 141 |
|
|
@@ -143,85 +123,17 @@ def format_selected_chunks(selected_indices):
|
|
| 143 |
def format_retrieval_results(filtered_indices, top_k_results):
|
| 144 |
"""Форматирует результаты retrieval для отображения в текстовом поле
|
| 145 |
|
| 146 |
-
|
| 147 |
-
1. Добавляет предложения по скорам (по убыванию релевантности)
|
| 148 |
-
2. Для каждого добавляемого предложения добавляет предыдущее из того же абзаца (контекст)
|
| 149 |
-
3. После каждой итерации заполняет гапы в один чанк между группами
|
| 150 |
"""
|
| 151 |
if len(filtered_indices) == 0:
|
| 152 |
return "Нет результатов"
|
| 153 |
|
| 154 |
top_k_results = min(top_k_results, len(filtered_indices))
|
| 155 |
|
| 156 |
-
#
|
| 157 |
-
|
| 158 |
-
added_count = 0
|
| 159 |
-
max_iterations = len(filtered_indices)
|
| 160 |
-
iteration = 0
|
| 161 |
-
|
| 162 |
-
while iteration < max_iterations:
|
| 163 |
-
iteration += 1
|
| 164 |
-
iteration_added = 0
|
| 165 |
-
|
| 166 |
-
# Проход по чанкам в порядке релевантности
|
| 167 |
-
for idx in filtered_indices:
|
| 168 |
-
if added_count >= top_k_results:
|
| 169 |
-
break
|
| 170 |
-
if idx >= len(retrieval.docs_metadata) or idx >= len(retrieval.paragraph_metadata):
|
| 171 |
-
continue
|
| 172 |
-
if idx in selected:
|
| 173 |
-
continue
|
| 174 |
-
|
| 175 |
-
# Добавляем текущий чанк
|
| 176 |
-
selected.add(idx)
|
| 177 |
-
added_count += 1
|
| 178 |
-
iteration_added += 1
|
| 179 |
-
|
| 180 |
-
# Добавляем предыдущий чанк из того же абзаца (для контекста)
|
| 181 |
-
paragraph_id = retrieval.paragraph_metadata[idx]
|
| 182 |
-
prev_idx = None
|
| 183 |
-
|
| 184 |
-
# Ищем предыдущий чанк в том же абзаце
|
| 185 |
-
for i in range(idx - 1, -1, -1):
|
| 186 |
-
if i >= len(retrieval.paragraph_metadata):
|
| 187 |
-
break
|
| 188 |
-
if retrieval.paragraph_metadata[i] == paragraph_id:
|
| 189 |
-
prev_idx = i
|
| 190 |
-
break
|
| 191 |
-
|
| 192 |
-
# Добавляем предыдущий чанк если он найден и не добавлен
|
| 193 |
-
if prev_idx is not None and prev_idx not in selected and added_count < top_k_results:
|
| 194 |
-
selected.add(prev_idx)
|
| 195 |
-
added_count += 1
|
| 196 |
-
iteration_added += 1
|
| 197 |
-
|
| 198 |
-
# Проверяем гапы в абзацах и заполняем их
|
| 199 |
-
if iteration_added > 0:
|
| 200 |
-
paragraph_chunks = {}
|
| 201 |
-
for idx in selected:
|
| 202 |
-
if idx >= len(retrieval.paragraph_metadata):
|
| 203 |
-
continue
|
| 204 |
-
para_id = retrieval.paragraph_metadata[idx]
|
| 205 |
-
if para_id not in paragraph_chunks:
|
| 206 |
-
paragraph_chunks[para_id] = []
|
| 207 |
-
paragraph_chunks[para_id].append(idx)
|
| 208 |
-
|
| 209 |
-
# Ищем гапы размером в 1 чанк и заполняем их (без ограничения лимита)
|
| 210 |
-
for para_id in paragraph_chunks:
|
| 211 |
-
para_chunks_sorted = sorted(paragraph_chunks[para_id])
|
| 212 |
-
for i in range(len(para_chunks_sorted) - 1):
|
| 213 |
-
gap = para_chunks_sorted[i + 1] - para_chunks_sorted[i]
|
| 214 |
-
if gap == 2: # Ровно один чанк между двумя группами
|
| 215 |
-
missing_idx = para_chunks_sorted[i] + 1
|
| 216 |
-
if missing_idx not in selected:
|
| 217 |
-
selected.add(missing_idx)
|
| 218 |
-
added_count += 1
|
| 219 |
-
|
| 220 |
-
# Если превысили лимит или ничего не добавилось - выходим
|
| 221 |
-
if added_count > top_k_results or iteration_added == 0:
|
| 222 |
-
break
|
| 223 |
|
| 224 |
-
return format_selected_chunks(
|
| 225 |
|
| 226 |
def ask_llm(query, filtered_indices_state):
|
| 227 |
"""Этап 2: Отправка отфильтрованных чанков в LLM с потоковой выдачей"""
|
|
|
|
| 75 |
def format_selected_chunks(selected_indices):
|
| 76 |
"""Форматирует выбранные чанки в единый текст для вывода и LLM
|
| 77 |
|
| 78 |
+
Выводит целые абзацы по выбранным чанкам с названиями документов:
|
| 79 |
Документ {название}:
|
| 80 |
+
{полный текст абзаца}
|
| 81 |
"""
|
| 82 |
if not selected_indices:
|
| 83 |
return ""
|
| 84 |
|
| 85 |
+
# Найдем все уникальные абзацы из выбранных чанков
|
| 86 |
+
paragraphs_to_show = {} # paragraph_id -> doc_id
|
| 87 |
+
|
| 88 |
for idx in selected_indices:
|
| 89 |
+
if idx >= len(retrieval.paragraph_metadata) or idx >= len(retrieval.docs_metadata):
|
| 90 |
continue
|
| 91 |
|
| 92 |
+
paragraph_id = retrieval.paragraph_metadata[idx]
|
| 93 |
doc_id = retrieval.docs_metadata[idx]
|
| 94 |
+
paragraphs_to_show[paragraph_id] = doc_id
|
| 95 |
+
|
| 96 |
+
# Для каждого отмеченного абзаца найдем ВСЕ его чанки
|
| 97 |
+
full_paragraph_chunks = {} # paragraph_id -> [chunk_ids]
|
| 98 |
+
for chunk_id, paragraph_id in enumerate(retrieval.paragraph_metadata):
|
| 99 |
+
if paragraph_id in paragraphs_to_show:
|
| 100 |
+
if paragraph_id not in full_paragraph_chunks:
|
| 101 |
+
full_paragraph_chunks[paragraph_id] = []
|
| 102 |
+
full_paragraph_chunks[paragraph_id].append(chunk_id)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 103 |
|
| 104 |
# Форматируем вывод
|
| 105 |
result_lines = []
|
| 106 |
+
for paragraph_id in sorted(paragraphs_to_show.keys()):
|
| 107 |
+
doc_id = paragraphs_to_show[paragraph_id]
|
| 108 |
+
chunk_indices = sorted(full_paragraph_chunks[paragraph_id])
|
| 109 |
|
| 110 |
+
doc_name = retrieval.docs_names[doc_id] if doc_id < len(retrieval.docs_names) else "Неизвестный документ"
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 111 |
|
| 112 |
+
# Объединяем все чанки абзаца в полный текст
|
| 113 |
+
paragraph_text = " ".join([retrieval.chunks[idx] for idx in chunk_indices])
|
|
|
|
|
|
|
|
|
|
| 114 |
|
| 115 |
+
# Форматируем вывод с названием документа
|
| 116 |
+
result_lines.append(f"Документ {doc_name}:")
|
| 117 |
+
result_lines.append(paragraph_text)
|
| 118 |
+
result_lines.append("") # Пустая строка между абзацами
|
| 119 |
|
| 120 |
return "\n".join(result_lines)
|
| 121 |
|
|
|
|
| 123 |
def format_retrieval_results(filtered_indices, top_k_results):
|
| 124 |
"""Форматирует результаты retrieval для отображения в текстовом поле
|
| 125 |
|
| 126 |
+
Берет top_k результатов и выводит целые абзацы с названиями документов
|
|
|
|
|
|
|
|
|
|
| 127 |
"""
|
| 128 |
if len(filtered_indices) == 0:
|
| 129 |
return "Нет результатов"
|
| 130 |
|
| 131 |
top_k_results = min(top_k_results, len(filtered_indices))
|
| 132 |
|
| 133 |
+
# Берем top-k индексов (уже отсортированы по релевантности)
|
| 134 |
+
top_k_indices = filtered_indices[:top_k_results]
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 135 |
|
| 136 |
+
return format_selected_chunks(top_k_indices)
|
| 137 |
|
| 138 |
def ask_llm(query, filtered_indices_state):
|
| 139 |
"""Этап 2: Отправка отфильтрованных чанков в LLM с потоковой выдачей"""
|