"""구조 분석 - 형태소 분석 + lemma 교집합 비율.

전임자 가이드: 의미분석(임베딩)과 별도로, 내용어 형태소 기본형(lemma) 단위 교집합 비율을
보면 "원본을 복붙하고 말투(어미/조사)만 바꾼 표절"을 결정적으로 탐지할 수 있다.

예) "갔다" / "가던" / "가버렸다"  →  lemma 모두 "가다"
   "빼앗았다" / "빼앗는다"        →  lemma 모두 "빼앗다"
임베딩 유사도로는 어미 변경만으로도 점수가 떨어지지만, lemma 교집합은 그대로 잡힌다.
"""

from __future__ import annotations

import logging
from collections import Counter
from functools import lru_cache

from kiwipiepy import Kiwi

logger = logging.getLogger(__name__)

# 내용어 태그 - 명사/동사/형용사/부사. (조사 JK*, 어미 EF/EC/EP 등 기능어는 제외)
_CONTENT_TAGS = ("NNG", "NNP", "VV", "VA", "MAG", "VV-R", "VV-I", "VA-R", "VA-I")


@lru_cache(maxsize=1)
def _get_kiwi() -> Kiwi:
    logger.info("Initializing Kiwi morphological analyzer")
    return Kiwi()


def extract_lemmas(text: str, min_length: int = 1) -> list[str]:
    """텍스트에서 내용어 lemma 리스트 반환 (등장 순서, 중복 포함)."""
    if not text.strip():
        return []
    tokens = _get_kiwi().tokenize(text)
    lemmas: list[str] = []
    for t in tokens:
        if not any(t.tag.startswith(prefix) for prefix in ("NNG", "NNP", "VV", "VA", "MAG")):
            continue
        # kiwi 0.18+ Token.lemma 가 기본형 제공. 형용사/동사도 "-다" 형태.
        lemma = getattr(t, "lemma", None) or t.form
        if len(lemma) >= min_length:
            lemmas.append(lemma)
    return lemmas


def lemma_overlap_ratio(query_lemmas: list[str], ref_lemmas: list[str]) -> float:
    """query 기준 다중집합 교집합 비율 = |Q ∩ R (다중집합)| / |Q|.

    한쪽 기준 비율을 쓰는 이유:
      자카드(|Q∩R|/|Q∪R|)는 레퍼런스가 query보다 훨씬 길 때 점수가 깎인다.
      "검사 대상이 레퍼런스에서 얼마나 가져왔는가"를 묻는 게 표절 판정 목적이므로
      query 기준 precision-side 비율이 더 정확.
    """
    if not query_lemmas:
        return 0.0
    qc = Counter(query_lemmas)
    rc = Counter(ref_lemmas)
    intersection = sum((qc & rc).values())
    total = sum(qc.values())
    return intersection / total if total else 0.0


def lemma_jaccard(query_lemmas: list[str], ref_lemmas: list[str]) -> float:
    """양방향 자카드. 보조 지표용."""
    sq, sr = set(query_lemmas), set(ref_lemmas)
    if not sq and not sr:
        return 0.0
    return len(sq & sr) / max(1, len(sq | sr))