hbyang
018dbc4a8f
유사도만 넘고 그대로 겹친 구간이 없는 후보를 채택하지 않는다. 같은 주제를 다룬 글은 임베딩 유사도가 함께 오르므로 유사도 단독 판정은 오탐이 된다. 실데이터 106건 중 29건이 연속 일치 0자 또는 35자 미만이었고, 현장 검토에서 31건이 오탐으로 판정됐다. 이 조건을 걸면 106 -> 77건이 되어 그 29건이 빠진다. 반대로 새로 놓치는 건은 없다(미탐지 7,680건 재판정 결과 0건). persistent_min_exact_span 기본값도 80 -> 35 로 내린다. 9어절 = 공백 포함 35자이며, 어절 3~9 스윕과 문서쌍 전수 대조로 정한 값이다. 이전 80은 근거 없이 잡힌 초기값이었다. 정밀도 지표(성능지표 #4)를 정면으로 겨냥한 변경이다. 오탐을 줄이는 방향이 정밀도 목표와 일치한다. Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
130 lines
5.3 KiB
Python
130 lines
5.3 KiB
Python
from __future__ import annotations
|
||
|
||
from functools import lru_cache
|
||
from pathlib import Path
|
||
|
||
from pydantic_settings import BaseSettings, SettingsConfigDict
|
||
|
||
|
||
class Settings(BaseSettings):
|
||
model_config = SettingsConfigDict(env_file=".env", env_file_encoding="utf-8", extra="ignore")
|
||
|
||
# 서버 바인딩
|
||
host: str = "0.0.0.0"
|
||
port: int = 8000
|
||
log_level: str = "info" # debug / info / warning / error
|
||
reload: bool = False # 개발용 자동 재시작
|
||
root_path: str = "" # 리버스 프록시 sub-path (예: /plagiarism)
|
||
|
||
# --- 인증 (#1) ---
|
||
# api_key 만으로는 "빈 값 = 무인증"이 조용히 성립한다. 운영에서는
|
||
# require_api_key=true 로 명시적 fail-closed 를 걸어, 키가 없으면 앱이
|
||
# 아예 뜨지 않게 한다.
|
||
api_key: str = "" # 설정 시 X-API-Key 필수
|
||
require_api_key: bool = False # true 인데 api_key 가 비면 기동 실패
|
||
public_health: bool = True # /v1/health 를 인증 없이 공개할지
|
||
public_docs: bool = True # /docs, /openapi.json, /redoc 공개 여부
|
||
|
||
engine_version: str = "o2o-plagiarism-2.0.0-pdf-v1.2"
|
||
reference_corpus_dir: str = "./data/reference"
|
||
taxonomy_dir: str = "./data/taxonomy"
|
||
autobiography_patterns_path: str = "./data/autobiography/common_patterns.txt"
|
||
corpus_db_path: str = "./data/runtime/corpus.sqlite3"
|
||
persistent_index_dir: str = "./data/runtime/index"
|
||
use_persistent_index: bool = False
|
||
persistent_similarity_threshold: float = 0.65
|
||
# 9어절 = 공백 포함 35자. 어절 3~9 스윕과 문서쌍 전수 대조로 정한 값이다.
|
||
# 4어절 이하는 임의 조합의 99% 이상이 겹쳐 신호가 되지 못하고, 10~15어절
|
||
# 구간부터 겹치는 문서쌍이 고정되어 남는 것이 실제 유사 원고다.
|
||
persistent_min_exact_span: int = 35
|
||
# 그대로 겹친 구간을 침해 판정의 필수 조건으로 둘지. false 면 유사도나
|
||
# 커버리지 단독으로도 채택되어 같은 주제의 글에서 오탐이 발생한다.
|
||
require_exact_span_evidence: bool = True
|
||
persistent_min_coverage: float = 0.30
|
||
# 상위 N개 후보만 SequenceMatcher 정밀 비교 + union coverage 에 참여시킨다.
|
||
# 이 값이 곧 요청당 O(질의길이 × 세그먼트길이) 연산의 상한이다 (#3/#5).
|
||
persistent_rerank_top_k: int = 20
|
||
precedents_path: str = "./data/precedents/precedents.jsonl"
|
||
ai_detector_model_path: str = "./data/models/ai_detector.joblib"
|
||
ai_detector_allow_heuristic: bool = False
|
||
ai_detector_use_pos: bool = True
|
||
# 휴리스틱 모드 의심도 구간. scripts/calibrate_ai_detector_cuts.py 가 등록
|
||
# 코퍼스(전부 인간 저작)의 점수 분포에서 백분위로 산출한다. 둘 다 설정해야
|
||
# 적용되며, 없으면 근거 없는 자리표시자(0.40/0.70)가 쓰인다.
|
||
ai_detector_low_cut: float | None = None
|
||
ai_detector_high_cut: float | None = None
|
||
|
||
# PDF VII-4 권장: 정밀도 우선 보수적 임계값
|
||
similarity_threshold: float = 0.85
|
||
# 임계값이 실데이터로 캘리브레이션되었는지. false 면 API 응답에
|
||
# provisional=true 로 노출된다 (#9). 79권 FP 분포 측정 후 true 로 전환.
|
||
similarity_threshold_calibrated: bool = False
|
||
|
||
# KoSimCSE / KoSBERT (PDF VII-3 권장) - 한국어 오픈소스 임베딩
|
||
use_kosimcse: bool = False
|
||
kosimcse_model: str = "BM-K/KoSimCSE-roberta-multitask"
|
||
kosimcse_max_length: int = 512
|
||
|
||
# OpenAI (옵션 - 자체 모델 없을 때 폴백)
|
||
openai_api_key: str = ""
|
||
openai_extraction_model: str = "gpt-4o-mini"
|
||
openai_embedding_model: str = "text-embedding-3-small"
|
||
openai_judge_model: str = "gpt-4o-mini"
|
||
use_llm_extractor: bool = False
|
||
use_embedding_similarity: bool = False
|
||
use_llm_legal_judge: bool = False
|
||
llm_judge_timeout_seconds: float = 20.0
|
||
llm_judge_max_evidence_chars: int = 4000
|
||
|
||
# 삼중 유사도 가중치 (실측 기반)
|
||
weight_text_sim: float = 0.30
|
||
weight_lemma_sim: float = 0.45
|
||
weight_char_sim: float = 0.15
|
||
weight_motif_sim: float = 0.10
|
||
|
||
# PDF VII-3 캐스케이딩
|
||
use_lsh_filter: bool = True
|
||
lsh_threshold: float = 0.3 # 1차 필터는 느슨하게 (재현율 우선)
|
||
lsh_top_k: int = 50
|
||
|
||
# 2단계 고도화: 군집화 기반 부분 표절(요소 교체) 신호 (계획서 p.21)
|
||
use_clustering: bool = True
|
||
cluster_link_threshold: float = 0.35
|
||
|
||
# PDF VII-4 자서전 모드
|
||
autobiography_mode: bool = True
|
||
enable_entity_masking: bool = True
|
||
|
||
@property
|
||
def corpus_path(self) -> Path:
|
||
return Path(self.reference_corpus_dir).resolve()
|
||
|
||
@property
|
||
def taxonomy_path(self) -> Path:
|
||
return Path(self.taxonomy_dir).resolve()
|
||
|
||
@property
|
||
def corpus_db(self) -> Path:
|
||
return Path(self.corpus_db_path).resolve()
|
||
|
||
@property
|
||
def persistent_index_path(self) -> Path:
|
||
return Path(self.persistent_index_dir).resolve()
|
||
|
||
@property
|
||
def precedent_path(self) -> Path:
|
||
return Path(self.precedents_path).resolve()
|
||
|
||
@property
|
||
def has_openai(self) -> bool:
|
||
return bool(self.openai_api_key.strip())
|
||
|
||
@property
|
||
def has_llm_legal_judge(self) -> bool:
|
||
return self.use_llm_legal_judge and self.has_openai
|
||
|
||
|
||
@lru_cache
|
||
def get_settings() -> Settings:
|
||
return Settings()
|