egutierrez
212875ed0d
- .claude/agents/fn-orquestador/SKILL.md - .claude/commands/fn_claude.md - .claude/rules/INDEX.md - .claude/rules/cpp_apps.md - .claude/rules/ids_naming.md - CHANGELOG.md - apps/dag_engine/README.md - apps/dag_engine/api.go - apps/dag_engine/dags_migrated/example.yaml - apps/dag_engine/dags_migrated/example_lineage_tracking.yaml - ... Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
88 lines
3.7 KiB
Markdown
88 lines
3.7 KiB
Markdown
---
|
|
name: deduplicate_relations
|
|
kind: function
|
|
lang: py
|
|
domain: datascience
|
|
version: "1.0.0"
|
|
purity: pure
|
|
signature: "def deduplicate_relations(relations: list[RelationCandidate], entity_id_map: dict[str, str]) -> list[RelationCandidate]"
|
|
description: "Deduplica relaciones candidatas resolviendo from_name/to_name a entity IDs finales via entity_id_map. Descarta self-loops y relaciones sin match. Mergea duplicados (mismo from_id, to_id, relation_type) concatenando descripciones unicas y tomando max confidence."
|
|
tags: [datascience, extraction, knowledge-graph, nlp, deduplication, fuzzy-match, fuzzygraph, transformer]
|
|
uses_functions:
|
|
- levenshtein_distance_py_cybersecurity
|
|
uses_types:
|
|
- relation_candidate_py_datascience
|
|
returns: []
|
|
returns_optional: false
|
|
error_type: ""
|
|
imports: []
|
|
params:
|
|
- name: relations
|
|
desc: "lista de RelationCandidate con from_name, to_name, relation_type, description, confidence"
|
|
- name: entity_id_map
|
|
desc: "dict producido por deduplicate_entities mapando nombres mergeados a IDs canonicos (ej: {'john smith': 'entity_001'})"
|
|
output: "lista de RelationCandidate deduplicadas, con from_id y to_id resueltos al entity_id_map, sin self-loops"
|
|
tested: true
|
|
tests:
|
|
- "dos relaciones identicas se colapsan en una"
|
|
- "relacion con nombre mergeado se resuelve al id correcto"
|
|
- "self loop se descarta"
|
|
- "nombre no mapeado sin fuzzy match se descarta"
|
|
- "relaciones distintas se mantienen"
|
|
- "merge descripcion concatena unicas"
|
|
- "lista vacia retorna lista vacia"
|
|
- "fuzzy match resuelve nombre cercano"
|
|
test_file_path: "python/functions/datascience/deduplicate_relations_test.py"
|
|
file_path: "python/functions/datascience/deduplicate_relations.py"
|
|
---
|
|
|
|
## Ejemplo
|
|
|
|
```python
|
|
from python.types.datascience.relation_candidate import RelationCandidate
|
|
from python.functions.datascience.deduplicate_relations import deduplicate_relations
|
|
|
|
# entity_id_map producido por deduplicate_entities
|
|
entity_id_map = {
|
|
"john smith": "entity_001",
|
|
"smith, john": "entity_001", # alias mergeado
|
|
"acme corp": "entity_002",
|
|
}
|
|
|
|
relations = [
|
|
RelationCandidate(from_name="John Smith", to_name="Acme Corp",
|
|
relation_type="works_at", description="John es CEO",
|
|
confidence=0.9, source_chunk_index=0),
|
|
RelationCandidate(from_name="Smith, John", to_name="Acme Corp",
|
|
relation_type="works_at", description="CEO de Acme",
|
|
confidence=0.7, source_chunk_index=2),
|
|
]
|
|
|
|
result = deduplicate_relations(relations, entity_id_map)
|
|
# → 1 RelationCandidate con from_id="entity_001", to_id="entity_002",
|
|
# confidence=0.9, description="John es CEO; CEO de Acme"
|
|
```
|
|
|
|
## Notas
|
|
|
|
La funcion es pura: no hace I/O, no tiene efectos secundarios. El logging es
|
|
de nivel DEBUG/WARNING — en produccion configurar el logger de la aplicacion.
|
|
|
|
**Resolucion de nombres:**
|
|
- Lookup exacto primero (lowercase strip del nombre contra las claves del mapa).
|
|
- Si no hay match exacto, fuzzy match con Levenshtein (threshold=3 ediciones).
|
|
- Si sigue sin match, la relacion se descarta con `logger.warning`.
|
|
|
|
**Self-loops:** relaciones donde `from_id == to_id` siempre se descartan.
|
|
|
|
**Merge:** cuando varias relaciones comparten `(from_id, to_id, relation_type)`:
|
|
- `confidence`: max del grupo.
|
|
- `description`: union de descripciones unicas (no duplicadas), separadas por `'; '`.
|
|
- `from_name` / `to_name` / `source_chunk_index`: del primer candidato del grupo.
|
|
|
|
**Integracion con fuzzygraph:**
|
|
Esta funcion es el paso 4 del pipeline de extraccion. Recibe el output de
|
|
`extract_relations_llm` (relaciones crudas con nombres de texto) y el
|
|
`entity_id_map` producido por `deduplicate_entities`. Produce la lista final
|
|
de relaciones para `ExtractionResult`.
|