admins
1de66eaa85
- эмбеддинги переведены с локального torch на Gemini API (лёгкий контейнер) GeminiEmbedder: gemini-embedding-001, 768d, RETRIEVAL query/document - фильтр настоящих названий: коды/числа не уходят в сопоставление - порог косинуса 0.70 → ~73% автонормализации (цель ТЗ ≥70%), остальное в unmatched - Vision (gemini-2.5-flash, новый SDK) подключён в диспетчер для скан/нулевых PDF; проверено: Клиника 5 — 34 чистые позиции со страницы - зависимости: убран torch/sentence-transformers, добавлен google-genai+numpy Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
114 lines
5.1 KiB
Python
114 lines
5.1 KiB
Python
"""Сопоставление извлечённых позиций с эталонным справочником услуг.
|
||
|
||
Каскад по убыванию надёжности:
|
||
1. код тарификатора — точное совпадение, если клиника его указала;
|
||
2. точное совпадение нормализованного названия;
|
||
3. эмбеддинги (многоязычная модель) — семантическая близость названий;
|
||
4. нечёткое сравнение (RapidFuzz) как запасной сигнал;
|
||
5. иначе — очередь ручной разметки (unmatched).
|
||
|
||
В справочнике нет синонимов, поэтому шаги 1 и 3 несут основную нагрузку. Коды у
|
||
клиник встречаются с лишним хвостом («A02.020.000.2»), поэтому сравниваем по
|
||
канонической части кода тарификатора.
|
||
"""
|
||
from __future__ import annotations
|
||
|
||
import re
|
||
import sys
|
||
from pathlib import Path
|
||
|
||
sys.path.insert(0, str(Path(__file__).resolve().parents[2]))
|
||
|
||
from rapidfuzz import fuzz, process # noqa: E402
|
||
|
||
from contracts.models import MatchResult # noqa: E402
|
||
from etl.dictionary import Service, normalize_name # noqa: E402
|
||
|
||
# Каноническая часть кода тарификатора: буква + три группы цифр.
|
||
_CODE_CORE_RE = re.compile(r"[A-ZА-Я]\d{2}\.\d{3}\.\d{3}")
|
||
|
||
|
||
class Matcher:
|
||
"""Готовит индексы справочника и сопоставляет с ним сырые названия услуг."""
|
||
|
||
def __init__(
|
||
self,
|
||
services: list[Service],
|
||
embedder=None,
|
||
emb_threshold: float = 0.70,
|
||
fuzzy_threshold: int = 88,
|
||
):
|
||
self.services = services
|
||
self.by_code = {s.tarificator_code: s for s in services if s.tarificator_code}
|
||
self.by_norm: dict[str, Service] = {}
|
||
for s in services:
|
||
self.by_norm.setdefault(s.name_norm, s)
|
||
self.names_norm = [s.name_norm for s in services]
|
||
self.emb_threshold = emb_threshold
|
||
self.fuzzy_threshold = fuzzy_threshold
|
||
self.embedder = embedder
|
||
self.dict_emb = None
|
||
if embedder is not None:
|
||
self.dict_emb = embedder.encode(
|
||
[s.name_ru for s in services],
|
||
normalize_embeddings=True,
|
||
task_type="RETRIEVAL_DOCUMENT",
|
||
)
|
||
|
||
def _match_by_code(self, code: str | None) -> Service | None:
|
||
if not code:
|
||
return None
|
||
m = _CODE_CORE_RE.search(code)
|
||
return self.by_code.get(m.group(0)) if m else None
|
||
|
||
def _match_by_fuzzy(self, name_norm: str) -> MatchResult:
|
||
best = process.extractOne(name_norm, self.names_norm, scorer=fuzz.token_set_ratio)
|
||
if best and best[1] >= self.fuzzy_threshold:
|
||
return MatchResult(
|
||
service_id=self.services[best[2]].service_id, method="fuzzy", confidence=best[1] / 100
|
||
)
|
||
return MatchResult()
|
||
|
||
def match_batch(self, names: list[str], codes: list[str | None]) -> list[MatchResult]:
|
||
"""Сопоставить пачку позиций. Эмбеддинги считаются разом — так быстрее."""
|
||
results: list[MatchResult | None] = [None] * len(names)
|
||
pending_idx: list[int] = []
|
||
pending_norm: list[str] = []
|
||
|
||
for i, (name, code) in enumerate(zip(names, codes, strict=True)):
|
||
service = self._match_by_code(code)
|
||
if service:
|
||
results[i] = MatchResult(service_id=service.service_id, method="code", confidence=1.0)
|
||
continue
|
||
name_norm = normalize_name(name)
|
||
exact = self.by_norm.get(name_norm)
|
||
if exact:
|
||
results[i] = MatchResult(service_id=exact.service_id, method="exact", confidence=1.0)
|
||
continue
|
||
pending_idx.append(i)
|
||
pending_norm.append(name_norm)
|
||
|
||
if pending_norm and self.embedder is not None and self.dict_emb is not None:
|
||
query = self.embedder.encode(
|
||
[names[i] for i in pending_idx],
|
||
normalize_embeddings=True,
|
||
task_type="RETRIEVAL_QUERY",
|
||
)
|
||
sims = query @ self.dict_emb.T # косинус по нормированным векторам
|
||
best_idx = sims.argmax(axis=1)
|
||
best_score = sims.max(axis=1)
|
||
for k, i in enumerate(pending_idx):
|
||
if best_score[k] >= self.emb_threshold:
|
||
results[i] = MatchResult(
|
||
service_id=self.services[int(best_idx[k])].service_id,
|
||
method="embedding",
|
||
confidence=float(best_score[k]),
|
||
)
|
||
else:
|
||
results[i] = self._match_by_fuzzy(pending_norm[k])
|
||
else:
|
||
for k, i in enumerate(pending_idx):
|
||
results[i] = self._match_by_fuzzy(pending_norm[k])
|
||
|
||
return [r if r is not None else MatchResult() for r in results]
|