Upload query_system.py with huggingface_hub

query_system.py

@@ -0,0 +1,102 @@
+"""
+Medical Park RAG — Sorgu Sistemi
+Herhangi bir kullanici sorusunu alir, en yakin chunk'i bulur.
+Benzerlik skoru threshold'un altindaysa cevap uretmez, "dokumanlarda yok" der.
+
+Threshold = 0.55, benchmark.py ile 30 soruluk test setinde belirlendi:
+  - 30 sorunun 29'u (%96.7) bu threshold ile dogru siniflandi
+  - Pozitif sorular (kafein sorusu haric) min 0.5773, negatif sorular max
+    0.5165 skorladi -> aralarinda net bir bosluk var (0.5165-0.5773),
+    0.55 bu boslugun ortasina denk geliyor
+  - Tek istisna olan "Kafeinin yararlari nelerdir?" sorusu icin kok sebep
+    analizi README'de aciklanmistir (chunk ici kelime yogunlugu etkisi)
+
+Kurulum:
+    pip install sentence-transformers chromadb
+
+Calistirma:
+    python query_system.py
+"""
+
+import chromadb
+from sentence_transformers import SentenceTransformer
+
+DB_PATH = "./chroma_db"
+COLLECTION_NAME = "medicalpark_chunks"
+MODEL_NAME = "magibu/embeddingmagibu-200m"
+THRESHOLD = 0.55  # benchmark.py sonucuna gore belirlendi, detay: README.md
+
+NO_ANSWER_MESSAGE = "Bu sorunun cevabı dokümanlarımda yer almamaktadır."
+
+
+class MedicalParkRAG:
+    def __init__(self):
+        print(f"Model yukleniyor: {MODEL_NAME}")
+        self.model = SentenceTransformer(MODEL_NAME, trust_remote_code=True)
+
+        client = chromadb.PersistentClient(path=DB_PATH)
+        self.collection = client.get_collection(COLLECTION_NAME)
+        print(f"Chroma koleksiyonu hazir: {self.collection.count()} chunk\n")
+
+    def query(self, question: str, threshold: float = THRESHOLD, n_results: int = 3) -> dict:
+        """
+        Bir soruyu isler. Donen sozluk:
+          - answered: True/False (threshold gecildi mi)
+          - similarity: en yakin chunk'in cosine similarity skoru
+          - message: eger answered=False ise kullaniciya gosterilecek mesaj
+          - context: eger answered=True ise LLM'e verilecek chunk metni + kaynaklar
+        """
+        q_vec = self.model.encode_query(question)
+        res = self.collection.query(query_embeddings=[q_vec.tolist()], n_results=n_results)
+
+        top_similarity = 1 - res["distances"][0][0]
+        answered = top_similarity >= threshold
+
+        if not answered:
+            return {
+                "answered": False,
+                "similarity": round(top_similarity, 4),
+                "message": NO_ANSWER_MESSAGE,
+                "context": None,
+            }
+
+        # Threshold gecildi -> ilgili chunk'lari (LLM'e context olarak gidecek) hazirla
+        sources = []
+        for i in range(len(res["distances"][0])):
+            sources.append({
+                "chunk_text": res["documents"][0][i],
+                "title": res["metadatas"][0][i]["title"],
+                "url": res["metadatas"][0][i]["url"],
+                "similarity": round(1 - res["distances"][0][i], 4),
+            })
+
+        return {
+            "answered": True,
+            "similarity": round(top_similarity, 4),
+            "message": None,
+            "context": sources,
+        }
+
+
+def main():
+    rag = MedicalParkRAG()
+
+    # Hizli demo: hem cevaplanacak hem reddedilecek birer ornek soru
+    demo_questions = [
+        "Dış kulak iltihabı neden olur?",          # cevaplanmali (pozitif ornek)
+        "Vitiligo hastalığının belirtileri nelerdir?",  # reddedilmeli (negatif ornek)
+    ]
+
+    for q in demo_questions:
+        print(f"\nSoru: {q}")
+        result = rag.query(q)
+        print(f"Skor: {result['similarity']}")
+        if result["answered"]:
+            print(f"[CEVAPLANDI] En iyi kaynak: {result['context'][0]['title']}")
+            print(f"  Chunk (ilk 150 karakter): {result['context'][0]['chunk_text'][:150]}...")
+        else:
+            print(f"[REDDEDILDI] {result['message']}")
+
+
+if __name__ == "__main__":
+    main()