Improve GraphRAG extraction
This commit is contained in:
parent
40dc2ba38e
commit
9b59994d2c
@ -40,6 +40,17 @@ TITLE_LABELS = {
|
|||||||
"navrh na nazov diplomovej prace",
|
"navrh na nazov diplomovej prace",
|
||||||
}
|
}
|
||||||
|
|
||||||
|
FALLBACK_TITLE_LABELS = {
|
||||||
|
"bachelor_thesis": {
|
||||||
|
"navrh na nazov bp",
|
||||||
|
"navrh na nazov bakalarskej prace",
|
||||||
|
},
|
||||||
|
"diploma_thesis": {
|
||||||
|
"navrh na nazov dp",
|
||||||
|
"navrh na nazov diplomovej prace",
|
||||||
|
},
|
||||||
|
}
|
||||||
|
|
||||||
SKIP_LINE_PREFIXES = (
|
SKIP_LINE_PREFIXES = (
|
||||||
"dokument:",
|
"dokument:",
|
||||||
"sekcia:",
|
"sekcia:",
|
||||||
@ -411,6 +422,117 @@ def extract_work_title(
|
|||||||
return None
|
return None
|
||||||
|
|
||||||
|
|
||||||
|
def extract_explicit_proposal_title(
|
||||||
|
work_type: str,
|
||||||
|
chunks: list[dict[str, Any]],
|
||||||
|
) -> tuple[str | None, list[str]]:
|
||||||
|
labels = FALLBACK_TITLE_LABELS.get(
|
||||||
|
work_type
|
||||||
|
)
|
||||||
|
|
||||||
|
if not labels:
|
||||||
|
return None, []
|
||||||
|
|
||||||
|
candidates: dict[
|
||||||
|
str,
|
||||||
|
dict[str, Any],
|
||||||
|
] = {}
|
||||||
|
|
||||||
|
for chunk in sorted(
|
||||||
|
chunks,
|
||||||
|
key=lambda item: int(
|
||||||
|
item.get(
|
||||||
|
"chunk_index",
|
||||||
|
0,
|
||||||
|
)
|
||||||
|
),
|
||||||
|
):
|
||||||
|
text = str(
|
||||||
|
chunk.get(
|
||||||
|
"text",
|
||||||
|
"",
|
||||||
|
)
|
||||||
|
)
|
||||||
|
|
||||||
|
if not text:
|
||||||
|
continue
|
||||||
|
|
||||||
|
lines = text.splitlines()
|
||||||
|
|
||||||
|
for index, raw_line in enumerate(lines):
|
||||||
|
line = clean_markdown_line(
|
||||||
|
raw_line
|
||||||
|
)
|
||||||
|
|
||||||
|
if not line:
|
||||||
|
continue
|
||||||
|
|
||||||
|
before, separator, after = (
|
||||||
|
line.partition(":")
|
||||||
|
)
|
||||||
|
|
||||||
|
if not separator:
|
||||||
|
continue
|
||||||
|
|
||||||
|
normalized_before = normalize_text(
|
||||||
|
before
|
||||||
|
)
|
||||||
|
|
||||||
|
if normalized_before not in labels:
|
||||||
|
continue
|
||||||
|
|
||||||
|
title = after.strip()
|
||||||
|
|
||||||
|
if not title:
|
||||||
|
title = next_title_line(
|
||||||
|
lines,
|
||||||
|
index + 1,
|
||||||
|
)
|
||||||
|
|
||||||
|
if not title:
|
||||||
|
continue
|
||||||
|
|
||||||
|
normalized_title = normalize_text(
|
||||||
|
title
|
||||||
|
)
|
||||||
|
|
||||||
|
if not normalized_title:
|
||||||
|
continue
|
||||||
|
|
||||||
|
candidate = candidates.setdefault(
|
||||||
|
normalized_title,
|
||||||
|
{
|
||||||
|
"title": title,
|
||||||
|
"chunk_ids": set(),
|
||||||
|
},
|
||||||
|
)
|
||||||
|
|
||||||
|
chunk_id = chunk.get(
|
||||||
|
"chunk_id"
|
||||||
|
)
|
||||||
|
|
||||||
|
if chunk_id:
|
||||||
|
candidate[
|
||||||
|
"chunk_ids"
|
||||||
|
].add(
|
||||||
|
str(chunk_id)
|
||||||
|
)
|
||||||
|
|
||||||
|
if len(candidates) != 1:
|
||||||
|
return None, []
|
||||||
|
|
||||||
|
candidate = next(
|
||||||
|
iter(candidates.values())
|
||||||
|
)
|
||||||
|
|
||||||
|
return (
|
||||||
|
str(candidate["title"]),
|
||||||
|
sorted(
|
||||||
|
candidate["chunk_ids"]
|
||||||
|
),
|
||||||
|
)
|
||||||
|
|
||||||
|
|
||||||
def extract_start_year(
|
def extract_start_year(
|
||||||
path: str,
|
path: str,
|
||||||
chunks: list[dict[str, Any]],
|
chunks: list[dict[str, Any]],
|
||||||
@ -587,6 +709,16 @@ def extract_works(
|
|||||||
str(chunk_id)
|
str(chunk_id)
|
||||||
)
|
)
|
||||||
|
|
||||||
|
work_type_counts: dict[
|
||||||
|
str,
|
||||||
|
int,
|
||||||
|
] = defaultdict(int)
|
||||||
|
|
||||||
|
for entry in grouped.values():
|
||||||
|
work_type_counts[
|
||||||
|
entry["heading"].work_type
|
||||||
|
] += 1
|
||||||
|
|
||||||
result = []
|
result = []
|
||||||
|
|
||||||
for entry in grouped.values():
|
for entry in grouped.values():
|
||||||
@ -601,6 +733,30 @@ def extract_works(
|
|||||||
entry["texts"]
|
entry["texts"]
|
||||||
)
|
)
|
||||||
|
|
||||||
|
source_chunk_ids = set(
|
||||||
|
entry["chunk_ids"]
|
||||||
|
)
|
||||||
|
|
||||||
|
if (
|
||||||
|
title is None
|
||||||
|
and work_type_counts[
|
||||||
|
heading.work_type
|
||||||
|
] == 1
|
||||||
|
):
|
||||||
|
(
|
||||||
|
fallback_title,
|
||||||
|
fallback_chunk_ids,
|
||||||
|
) = extract_explicit_proposal_title(
|
||||||
|
heading.work_type,
|
||||||
|
chunks,
|
||||||
|
)
|
||||||
|
|
||||||
|
if fallback_title:
|
||||||
|
title = fallback_title
|
||||||
|
source_chunk_ids.update(
|
||||||
|
fallback_chunk_ids
|
||||||
|
)
|
||||||
|
|
||||||
result.append(
|
result.append(
|
||||||
{
|
{
|
||||||
"work_type": heading.work_type,
|
"work_type": heading.work_type,
|
||||||
@ -613,11 +769,7 @@ def extract_works(
|
|||||||
"year": year,
|
"year": year,
|
||||||
"title": title,
|
"title": title,
|
||||||
"source_chunk_ids": sorted(
|
"source_chunk_ids": sorted(
|
||||||
set(
|
source_chunk_ids
|
||||||
entry[
|
|
||||||
"chunk_ids"
|
|
||||||
]
|
|
||||||
)
|
|
||||||
),
|
),
|
||||||
}
|
}
|
||||||
)
|
)
|
||||||
|
|||||||
422
test/test_graphrag.py
Normal file
422
test/test_graphrag.py
Normal file
@ -0,0 +1,422 @@
|
|||||||
|
from __future__ import annotations
|
||||||
|
|
||||||
|
from scripts.graphrag import (
|
||||||
|
build_graph_payload,
|
||||||
|
extract_explicit_proposal_title,
|
||||||
|
extract_works,
|
||||||
|
)
|
||||||
|
|
||||||
|
|
||||||
|
JAKUB_PATH = (
|
||||||
|
"pages/students/2016/"
|
||||||
|
"jakub_maruniak/README.md"
|
||||||
|
)
|
||||||
|
|
||||||
|
|
||||||
|
def make_document(
|
||||||
|
*,
|
||||||
|
path: str = JAKUB_PATH,
|
||||||
|
title: str = "Jakub Maruniak",
|
||||||
|
categories: list[str] | None = None,
|
||||||
|
) -> dict:
|
||||||
|
return {
|
||||||
|
"path": path,
|
||||||
|
"title": title,
|
||||||
|
"categories": (
|
||||||
|
categories
|
||||||
|
if categories is not None
|
||||||
|
else ["dp2021", "bp2019"]
|
||||||
|
),
|
||||||
|
"tags": [
|
||||||
|
"spacy",
|
||||||
|
"ner",
|
||||||
|
],
|
||||||
|
"author": "Daniel Hladek",
|
||||||
|
"published": True,
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
def make_chunk(
|
||||||
|
index: int,
|
||||||
|
headings: list[str],
|
||||||
|
text: str,
|
||||||
|
*,
|
||||||
|
path: str = JAKUB_PATH,
|
||||||
|
) -> dict:
|
||||||
|
return {
|
||||||
|
"chunk_id": (
|
||||||
|
f"{path}::chunk-{index}"
|
||||||
|
),
|
||||||
|
"document_path": path,
|
||||||
|
"title": "Jakub Maruniak",
|
||||||
|
"categories": [
|
||||||
|
"dp2021",
|
||||||
|
"bp2019",
|
||||||
|
],
|
||||||
|
"tags": [
|
||||||
|
"spacy",
|
||||||
|
"ner",
|
||||||
|
],
|
||||||
|
"author": "Daniel Hladek",
|
||||||
|
"published": True,
|
||||||
|
"chunk_index": index,
|
||||||
|
"heading_paths": [
|
||||||
|
headings
|
||||||
|
],
|
||||||
|
"text": text,
|
||||||
|
"text_length": len(text),
|
||||||
|
"token_count": 1,
|
||||||
|
"content_hash": f"hash-{index}",
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
def test_explicit_dp_proposal_is_found() -> None:
|
||||||
|
chunks = [
|
||||||
|
make_chunk(
|
||||||
|
0,
|
||||||
|
["Jakub Maruniak"],
|
||||||
|
(
|
||||||
|
"Dokument: Jakub Maruniak\n\n"
|
||||||
|
"*Návrh na názov DP*:\n\n"
|
||||||
|
"Anotácia a rozpoznávanie "
|
||||||
|
"pomenovaných entít v "
|
||||||
|
"slovenskom jazyku."
|
||||||
|
),
|
||||||
|
)
|
||||||
|
]
|
||||||
|
|
||||||
|
title, source_chunk_ids = (
|
||||||
|
extract_explicit_proposal_title(
|
||||||
|
"diploma_thesis",
|
||||||
|
chunks,
|
||||||
|
)
|
||||||
|
)
|
||||||
|
|
||||||
|
assert title == (
|
||||||
|
"Anotácia a rozpoznávanie "
|
||||||
|
"pomenovaných entít v "
|
||||||
|
"slovenskom jazyku."
|
||||||
|
)
|
||||||
|
|
||||||
|
assert source_chunk_ids == [
|
||||||
|
f"{JAKUB_PATH}::chunk-0"
|
||||||
|
]
|
||||||
|
|
||||||
|
|
||||||
|
def test_extract_works_uses_dp_proposal_fallback() -> None:
|
||||||
|
document = make_document()
|
||||||
|
|
||||||
|
chunks = [
|
||||||
|
make_chunk(
|
||||||
|
0,
|
||||||
|
["Jakub Maruniak"],
|
||||||
|
(
|
||||||
|
"Dokument: Jakub Maruniak\n\n"
|
||||||
|
"*Rok začiatku štúdia*: 2016\n\n"
|
||||||
|
"*Návrh na názov DP*:\n\n"
|
||||||
|
"Anotácia a rozpoznávanie "
|
||||||
|
"pomenovaných entít v "
|
||||||
|
"slovenskom jazyku."
|
||||||
|
),
|
||||||
|
),
|
||||||
|
make_chunk(
|
||||||
|
1,
|
||||||
|
[
|
||||||
|
"Jakub Maruniak",
|
||||||
|
"Diplomová práca 2021",
|
||||||
|
],
|
||||||
|
(
|
||||||
|
"Dokument: Jakub Maruniak\n"
|
||||||
|
"Sekcia: Diplomová práca 2021\n\n"
|
||||||
|
"Stretnutie 12.3.\n\n"
|
||||||
|
"Stav:\n\n"
|
||||||
|
"- Anotovanie dát."
|
||||||
|
),
|
||||||
|
),
|
||||||
|
]
|
||||||
|
|
||||||
|
works = extract_works(
|
||||||
|
document,
|
||||||
|
chunks,
|
||||||
|
)
|
||||||
|
|
||||||
|
diploma_works = [
|
||||||
|
work
|
||||||
|
for work in works
|
||||||
|
if work["work_type"]
|
||||||
|
== "diploma_thesis"
|
||||||
|
]
|
||||||
|
|
||||||
|
assert len(diploma_works) == 1
|
||||||
|
|
||||||
|
work = diploma_works[0]
|
||||||
|
|
||||||
|
assert work["year"] == 2021
|
||||||
|
assert work["title"] == (
|
||||||
|
"Anotácia a rozpoznávanie "
|
||||||
|
"pomenovaných entít v "
|
||||||
|
"slovenskom jazyku."
|
||||||
|
)
|
||||||
|
|
||||||
|
assert work["source_chunk_ids"] == [
|
||||||
|
f"{JAKUB_PATH}::chunk-0",
|
||||||
|
f"{JAKUB_PATH}::chunk-1",
|
||||||
|
]
|
||||||
|
|
||||||
|
|
||||||
|
def test_existing_work_title_has_priority() -> None:
|
||||||
|
document = make_document()
|
||||||
|
|
||||||
|
chunks = [
|
||||||
|
make_chunk(
|
||||||
|
0,
|
||||||
|
["Jakub Maruniak"],
|
||||||
|
(
|
||||||
|
"Dokument: Jakub Maruniak\n\n"
|
||||||
|
"Návrh na názov DP: "
|
||||||
|
"Starší pracovný názov"
|
||||||
|
),
|
||||||
|
),
|
||||||
|
make_chunk(
|
||||||
|
1,
|
||||||
|
[
|
||||||
|
"Jakub Maruniak",
|
||||||
|
"Diplomová práca 2021",
|
||||||
|
],
|
||||||
|
(
|
||||||
|
"Dokument: Jakub Maruniak\n"
|
||||||
|
"Sekcia: Diplomová práca 2021\n\n"
|
||||||
|
"Názov: Finálny názov práce"
|
||||||
|
),
|
||||||
|
),
|
||||||
|
]
|
||||||
|
|
||||||
|
works = extract_works(
|
||||||
|
document,
|
||||||
|
chunks,
|
||||||
|
)
|
||||||
|
|
||||||
|
work = next(
|
||||||
|
work
|
||||||
|
for work in works
|
||||||
|
if work["work_type"]
|
||||||
|
== "diploma_thesis"
|
||||||
|
)
|
||||||
|
|
||||||
|
assert work["title"] == (
|
||||||
|
"Finálny názov práce"
|
||||||
|
)
|
||||||
|
|
||||||
|
assert work["source_chunk_ids"] == [
|
||||||
|
f"{JAKUB_PATH}::chunk-1"
|
||||||
|
]
|
||||||
|
|
||||||
|
|
||||||
|
def test_ambiguous_dp_proposals_are_not_used() -> None:
|
||||||
|
document = make_document()
|
||||||
|
|
||||||
|
chunks = [
|
||||||
|
make_chunk(
|
||||||
|
0,
|
||||||
|
["Jakub Maruniak"],
|
||||||
|
(
|
||||||
|
"Návrh na názov DP: "
|
||||||
|
"Prvý návrh"
|
||||||
|
),
|
||||||
|
),
|
||||||
|
make_chunk(
|
||||||
|
1,
|
||||||
|
["Jakub Maruniak"],
|
||||||
|
(
|
||||||
|
"Návrh na názov DP: "
|
||||||
|
"Druhý návrh"
|
||||||
|
),
|
||||||
|
),
|
||||||
|
make_chunk(
|
||||||
|
2,
|
||||||
|
[
|
||||||
|
"Jakub Maruniak",
|
||||||
|
"Diplomová práca 2021",
|
||||||
|
],
|
||||||
|
(
|
||||||
|
"Dokument: Jakub Maruniak\n"
|
||||||
|
"Sekcia: Diplomová práca 2021\n\n"
|
||||||
|
"Stretnutie 12.3."
|
||||||
|
),
|
||||||
|
),
|
||||||
|
]
|
||||||
|
|
||||||
|
works = extract_works(
|
||||||
|
document,
|
||||||
|
chunks,
|
||||||
|
)
|
||||||
|
|
||||||
|
work = next(
|
||||||
|
work
|
||||||
|
for work in works
|
||||||
|
if work["work_type"]
|
||||||
|
== "diploma_thesis"
|
||||||
|
)
|
||||||
|
|
||||||
|
assert work["title"] is None
|
||||||
|
|
||||||
|
|
||||||
|
def test_proposal_is_not_used_for_diploma_project() -> None:
|
||||||
|
document = make_document()
|
||||||
|
|
||||||
|
chunks = [
|
||||||
|
make_chunk(
|
||||||
|
0,
|
||||||
|
["Jakub Maruniak"],
|
||||||
|
(
|
||||||
|
"Návrh na názov DP: "
|
||||||
|
"Názov diplomovej práce"
|
||||||
|
),
|
||||||
|
),
|
||||||
|
make_chunk(
|
||||||
|
1,
|
||||||
|
[
|
||||||
|
"Jakub Maruniak",
|
||||||
|
"Diplomový projekt 2020",
|
||||||
|
],
|
||||||
|
(
|
||||||
|
"Dokument: Jakub Maruniak\n"
|
||||||
|
"Sekcia: Diplomový projekt 2020\n\n"
|
||||||
|
"Stretnutie 9.3.2020\n\n"
|
||||||
|
"Úlohy:\n\n"
|
||||||
|
"- Pripraviť dáta."
|
||||||
|
),
|
||||||
|
),
|
||||||
|
]
|
||||||
|
|
||||||
|
works = extract_works(
|
||||||
|
document,
|
||||||
|
chunks,
|
||||||
|
)
|
||||||
|
|
||||||
|
work = next(
|
||||||
|
work
|
||||||
|
for work in works
|
||||||
|
if work["work_type"]
|
||||||
|
== "diploma_project"
|
||||||
|
)
|
||||||
|
|
||||||
|
assert work["title"] is None
|
||||||
|
|
||||||
|
|
||||||
|
def test_proposal_is_not_shared_between_multiple_dp_works() -> None:
|
||||||
|
document = make_document(
|
||||||
|
categories=[
|
||||||
|
"dp2021",
|
||||||
|
"dp2022",
|
||||||
|
]
|
||||||
|
)
|
||||||
|
|
||||||
|
chunks = [
|
||||||
|
make_chunk(
|
||||||
|
0,
|
||||||
|
["Jakub Maruniak"],
|
||||||
|
(
|
||||||
|
"Návrh na názov DP: "
|
||||||
|
"Jeden návrh"
|
||||||
|
),
|
||||||
|
),
|
||||||
|
make_chunk(
|
||||||
|
1,
|
||||||
|
[
|
||||||
|
"Jakub Maruniak",
|
||||||
|
"Diplomová práca 2021",
|
||||||
|
],
|
||||||
|
(
|
||||||
|
"Dokument: Jakub Maruniak\n"
|
||||||
|
"Sekcia: Diplomová práca 2021\n\n"
|
||||||
|
"Stretnutie 1.1.2021"
|
||||||
|
),
|
||||||
|
),
|
||||||
|
make_chunk(
|
||||||
|
2,
|
||||||
|
[
|
||||||
|
"Jakub Maruniak",
|
||||||
|
"Diplomová práca 2022",
|
||||||
|
],
|
||||||
|
(
|
||||||
|
"Dokument: Jakub Maruniak\n"
|
||||||
|
"Sekcia: Diplomová práca 2022\n\n"
|
||||||
|
"Stretnutie 1.1.2022"
|
||||||
|
),
|
||||||
|
),
|
||||||
|
]
|
||||||
|
|
||||||
|
works = extract_works(
|
||||||
|
document,
|
||||||
|
chunks,
|
||||||
|
)
|
||||||
|
|
||||||
|
diploma_works = [
|
||||||
|
work
|
||||||
|
for work in works
|
||||||
|
if work["work_type"]
|
||||||
|
== "diploma_thesis"
|
||||||
|
]
|
||||||
|
|
||||||
|
assert len(diploma_works) == 2
|
||||||
|
assert all(
|
||||||
|
work["title"] is None
|
||||||
|
for work in diploma_works
|
||||||
|
)
|
||||||
|
|
||||||
|
|
||||||
|
def test_graph_payload_contains_fallback_title() -> None:
|
||||||
|
document = make_document()
|
||||||
|
|
||||||
|
chunks = [
|
||||||
|
make_chunk(
|
||||||
|
0,
|
||||||
|
["Jakub Maruniak"],
|
||||||
|
(
|
||||||
|
"Dokument: Jakub Maruniak\n\n"
|
||||||
|
"Rok začiatku štúdia: 2016\n\n"
|
||||||
|
"Návrh na názov DP:\n\n"
|
||||||
|
"Anotácia a rozpoznávanie "
|
||||||
|
"pomenovaných entít v "
|
||||||
|
"slovenskom jazyku."
|
||||||
|
),
|
||||||
|
),
|
||||||
|
make_chunk(
|
||||||
|
1,
|
||||||
|
[
|
||||||
|
"Jakub Maruniak",
|
||||||
|
"Diplomová práca 2021",
|
||||||
|
],
|
||||||
|
(
|
||||||
|
"Dokument: Jakub Maruniak\n"
|
||||||
|
"Sekcia: Diplomová práca 2021\n\n"
|
||||||
|
"Stretnutie 12.3."
|
||||||
|
),
|
||||||
|
),
|
||||||
|
]
|
||||||
|
|
||||||
|
payload = build_graph_payload(
|
||||||
|
[document],
|
||||||
|
chunks,
|
||||||
|
)
|
||||||
|
|
||||||
|
diploma_work = next(
|
||||||
|
work
|
||||||
|
for work in payload["works"]
|
||||||
|
if work["work_type"]
|
||||||
|
== "diploma_thesis"
|
||||||
|
)
|
||||||
|
|
||||||
|
assert diploma_work["title"] == (
|
||||||
|
"Anotácia a rozpoznávanie "
|
||||||
|
"pomenovaných entít v "
|
||||||
|
"slovenskom jazyku."
|
||||||
|
)
|
||||||
|
|
||||||
|
assert diploma_work[
|
||||||
|
"source_chunk_ids"
|
||||||
|
] == [
|
||||||
|
f"{JAKUB_PATH}::chunk-0",
|
||||||
|
f"{JAKUB_PATH}::chunk-1",
|
||||||
|
]
|
||||||
Loading…
Reference in New Issue
Block a user