日日是Oracle APEX

SPLADE類似検索テストケース

テストケース1: 技術文書の類似検索

クエリ文書

機械学習におけるTransformerアーキテクチャは、自然言語処理タスクで画期的な性能を示しています。Self-Attentionメカニズムにより、文脈情報を効率的に捉えることができ、BERTやGPTなどの事前学習モデルの基盤となっています。

候補文書群

高類似度（期待順位：1位）

Transformerモデルは自然言語処理分野で革命的な変化をもたらしました。注意機構（Attention Mechanism）を用いることで、長距離依存関係を効果的に学習し、BERTやGPTといった大規模言語モデルの開発を可能にしました。

中類似度（期待順位：2位）

深層学習ニューラルネットワークは画像認識や音声認識など様々な分野で応用されています。CNNやRNNといったアーキテクチャが主流でしたが、近年はTransformerベースのモデルも注目されています。

低類似度（期待順位：3位）

データサイエンスプロジェクトにおいて、適切な前処理とモデル選択が重要です。回帰分析や分類問題に対して、ランダムフォレストやサポートベクターマシンなどの手法が効果的です。

無関係（期待順位：4位）

今日の天気は晴れており、気温は25度です。公園では多くの家族連れが散歩を楽しんでいます。桜の花が美しく咲いており、春の訪れを感じさせます。

テストケース2: 医療情報の類似検索

クエリ文書

糖尿病は血糖値の調節機能に問題がある代謝疾患です。主に1型と2型に分類され、適切な食事療法と運動療法、必要に応じて薬物療法を組み合わせた治療が重要です。

候補文書群

高類似度（期待順位：1位）

糖尿病患者の血糖管理には、食事制限、定期的な運動、インスリン療法などの包括的なアプローチが必要です。1型糖尿病と2型糖尿病では治療方針が異なります。

中類似度（期待順位：2位）

高血圧は生活習慣病の一つで、心血管疾患のリスクを高めます。塩分制限、適度な運動、ストレス管理が予防と治療の基本となります。

低類似度（期待順位：3位）

健康的な生活習慣には、バランスの取れた食事、規則正しい睡眠、適度な運動が重要です。これらは様々な疾病の予防に効果的です。

無関係（期待順位：4位）

新しいスマートフォンの機能には、高解像度カメラ、長時間バッテリー、5G通信対応が含まれています。ユーザーインターフェースも大幅に改善されました。

テストケース3: ビジネス文書の類似検索

クエリ文書

企業のデジタルトランスフォーメーション（DX）推進には、既存業務プロセスの見直し、ITインフラの整備、従業員のスキル向上が不可欠です。顧客体験の向上と業務効率化を同時に実現することが求められます。

候補文書群

高類似度（期待順位：1位）

デジタル化の進展により、企業は業務プロセスの自動化とシステム統合を進めています。従業員の研修とITインフラ投資により、生産性向上と顧客満足度の改善を目指しています。

中類似度（期待順位：2位）

現代の企業経営では、テクノロジーを活用した競争優位性の確保が重要です。クラウドサービスやAI技術の導入により、新たなビジネスモデルの創出が可能になります。

低類似度（期待順位：3位）

マーケティング戦略の立案には、ターゲット顧客の分析と市場動向の把握が必要です。ブランディングと効果的な広告展開により売上向上を図ります。

無関係（期待順位：4位）

週末の登山計画を立てています。天候を確認し、必要な装備を準備して、安全に山頂を目指したいと思います。自然の美しさを満喫する予定です。

テストケース4: 学術論文の類似検索

クエリ文書

気候変動が生態系に与える影響について、海洋酸性化と気温上昇による生物多様性の減少が深刻な問題となっています。特に珊瑚礁生態系では白化現象が頻発し、海洋生物の生息環境が脅かされています。

候補文書群

高類似度（期待順位：1位）

地球温暖化による海水温の上昇は、珊瑚の白化現象を引き起こし、海洋生態系の破綻を招いています。海洋の酸性化も相まって、海洋生物の多様性維持が困難になっています。

中類似度（期待順位：2位）

環境保護の観点から、持続可能な開発目標の達成が重要です。森林保全、海洋保護、温室効果ガス削減などの取り組みにより、地球環境の保全を図る必要があります。

低類似度（期待順位：3位）

再生可能エネルギーの普及により、太陽光発電や風力発電の技術開発が進んでいます。エネルギー効率の向上と環境負荷の軽減が期待されています。

無関係（期待順位：4位）

料理レシピの開発において、食材の組み合わせと調理法の工夫が重要です。栄養バランスを考慮しながら、美味しい料理を作ることを心がけています。

テスト評価指標

主要評価項目

Precision@k: 上位k件中の関連文書数
Recall@k: 全関連文書中の上位k件での検索率
MRR (Mean Reciprocal Rank): 最初の関連文書の順位の逆数
NDCG@k: 正規化割引累積利得

期待される結果

各テストケースで、高類似度文書が1位、中類似度が2位、低類似度が3位、無関係が4位にランクされることを期待します。SPLADEのスパース表現による語彙マッチングと意味的類似性の両方を考慮した検索性能を評価できます。

	declare
	l_base_url apex_workspace_remote_servers.base_url%type;
	l_operation_url varchar2(400);
	l_request clob;
	l_request_json json_object_t;
	l_response clob;
	e_call_api_failed exception;
	l_status_code number;
	begin
	select base_url into l_base_url from apex_workspace_remote_servers
	where remote_server_static_id = :G_REMOTE_SERVER;
	l_operation_url :=
	apex_string.format(l_base_url \|\| '/database/rdf/networks/%s,%s',
	:P1_NETWORK_OWNER, :P1_NETWORK_NAME);
	apex_debug.info('operation_url = %s', l_operation_url);
	l_request_json := json_object_t();
	l_request_json.put('tablespace_name', :P1_TABLESPACE_NAME);
	l_request := l_request_json.to_clob();
	apex_web_service.set_request_headers('Content-Type', 'application/json');
	l_response := apex_web_service.make_rest_request(
	p_url => l_operation_url
	,p_http_method => 'PUT'
	,p_body => l_request
	,p_credential_static_id => :G_CREDENTIAL
	);
	l_status_code := apex_web_service.g_status_code;
	apex_debug.info('status_code = %s', l_status_code);
	if not l_status_code between 200 and 300 then
	raise e_call_api_failed;
	end if;
	:P1_RESPONSE := l_response;
	end;

	declare
	l_base_url apex_workspace_remote_servers.base_url%type;
	l_operation_url varchar2(400);
	l_request clob;
	l_request_json json_object_t;
	l_response clob;
	e_call_api_failed exception;
	l_status_code number;
	begin
	select base_url into l_base_url from apex_workspace_remote_servers
	where remote_server_static_id = :G_REMOTE_SERVER;
	l_operation_url :=
	apex_string.format(l_base_url \|\| '/database/rdf/networks/%s,%s/models/%s',
	:P1_NETWORK_OWNER, :P1_NETWORK_NAME, :P1_MODEL_NAME);
	apex_debug.info('operation_url = %s', l_operation_url);
	l_request_json := json_object_t();
	l_request_json.put('tablespace_name', :P1_TABLESPACE_NAME);
	l_request := l_request_json.to_clob();
	apex_web_service.set_request_headers('Content-Type', 'application/json');
	l_response := apex_web_service.make_rest_request(
	p_url => l_operation_url
	,p_http_method => 'PUT'
	,p_body => l_request
	,p_credential_static_id => :G_CREDENTIAL
	);
	l_status_code := apex_web_service.g_status_code;
	apex_debug.info('status_code = %s', l_status_code);
	if not l_status_code between 200 and 300 then
	raise e_call_api_failed;
	end if;
	:P1_RESPONSE := l_response;
	end;

	# 「坊ちゃん」登場人物関係データのSPARQL INSERT文

	PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
	PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
	PREFIX botchan: <http://example.org/botchan/>
	PREFIX vocab: <http://example.org/vocabulary/>

	# 人物の基本情報を挿入
	INSERT DATA {
	botchan:坊ちゃん rdf:type vocab:人物 ;
	rdfs:label "坊ちゃん" ;
	vocab:職業 "数学教師" ;
	vocab:出身地 "東京" .

	botchan:赤シャツ rdf:type vocab:人物 ;
	rdfs:label "赤シャツ" ;
	vocab:職業 "教頭" .

	botchan:山嵐 rdf:type vocab:人物 ;
	rdfs:label "山嵐" ;
	vocab:職業 "英語教師" .

	botchan:うらなり rdf:type vocab:人物 ;
	rdfs:label "うらなり" ;
	vocab:職業 "英語教師" .

	botchan:野だいこ rdf:type vocab:人物 ;
	rdfs:label "野だいこ" ;
	vocab:職業 "画学教師" .

	botchan:マドンナ rdf:type vocab:人物 ;
	rdfs:label "マドンナ" ;
	vocab:職業 "女性" .

	botchan:清 rdf:type vocab:人物 ;
	rdfs:label "清" ;
	vocab:職業 "女中" .

	botchan:校長 rdf:type vocab:人物 ;
	rdfs:label "校長" ;
	vocab:職業 "校長" .
	} ;

	# 職場関係を挿入
	INSERT DATA {
	botchan:坊ちゃん vocab:勤務先 botchan:中学校 .
	botchan:赤シャツ vocab:勤務先 botchan:中学校 .
	botchan:山嵐 vocab:勤務先 botchan:中学校 .
	botchan:うらなり vocab:勤務先 botchan:中学校 .
	botchan:野だいこ vocab:勤務先 botchan:中学校 .
	botchan:校長 vocab:勤務先 botchan:中学校 .

	botchan:赤シャツ vocab:職位 "教頭" .
	botchan:校長 vocab:職位 "校長" .
	} ;

	# 人間関係を挿入
	INSERT DATA {
	botchan:坊ちゃん vocab:世話になった人 botchan:清 .
	botchan:清 vocab:世話した人 botchan:坊ちゃん .

	botchan:坊ちゃん vocab:対立関係 botchan:赤シャツ .
	botchan:赤シャツ vocab:対立関係 botchan:坊ちゃん .

	botchan:坊ちゃん vocab:対立関係 botchan:野だいこ .
	botchan:野だいこ vocab:対立関係 botchan:坊ちゃん .

	botchan:山嵐 vocab:味方関係 botchan:坊ちゃん .
	botchan:坊ちゃん vocab:味方関係 botchan:山嵐 .

	botchan:赤シャツ vocab:同盟関係 botchan:野だいこ .
	botchan:野だいこ vocab:同盟関係 botchan:赤シャツ .

	botchan:うらなり vocab:恋愛関係 botchan:マドンナ .
	botchan:マドンナ vocab:恋愛関係 botchan:うらなり .

	botchan:赤シャツ vocab:横恋慕 botchan:マドンナ .
	} ;

	# 性格・特徴を挿入
	INSERT DATA {
	botchan:坊ちゃん vocab:性格 "正直" ;
	vocab:性格 "短気" ;
	vocab:性格 "江戸っ子気質" .

	botchan:赤シャツ vocab:性格 "狡猾" ;
	vocab:性格 "陰険" .

	botchan:山嵐 vocab:性格 "豪快" ;
	vocab:性格 "正義感が強い" .

	botchan:うらなり vocab:性格 "温厚" ;
	vocab:性格 "弱気" .

	botchan:野だいこ vocab:性格 "軽薄" ;
	vocab:性格 "調子がいい" .

	botchan:清 vocab:性格 "献身的" ;
	vocab:性格 "母性的" .
	} ;

	# 事件・出来事を挿入
	INSERT DATA {
	botchan:坊ちゃん vocab:経験した出来事 "いたずら事件" ;
	vocab:経験した出来事 "温泉事件" ;
	vocab:経験した出来事 "辞職" .

	botchan:赤シャツ vocab:関与した出来事 "うらなり左遷工作" .
	botchan:野だいこ vocab:関与した出来事 "うらなり左遷工作" .

	botchan:山嵐 vocab:行動 "坊ちゃんと協力して制裁" .
	botchan:坊ちゃん vocab:行動 "山嵐と協力して制裁" .
	} ;

	# 追加のメタデータ
	INSERT DATA {
	botchan:中学校 rdf:type vocab:教育機関 ;
	rdfs:label "中学校" ;
	vocab:所在地 "四国" .

	# 作品情報
	botchan:作品 rdf:type vocab:小説 ;
	rdfs:label "坊ちゃん" ;
	vocab:作者 "夏目漱石" ;
	vocab:出版年 "1906" .
	}

	declare
	l_base_url apex_workspace_remote_servers.base_url%type;
	l_operation_url varchar2(400);
	l_request clob;
	l_response clob;
	e_call_api_failed exception;
	l_status_code number;
	begin
	select base_url into l_base_url from apex_workspace_remote_servers
	where remote_server_static_id = :G_REMOTE_SERVER;
	l_operation_url :=
	apex_string.format(l_base_url \|\| '/database/rdf/networks/%s,%s/models/%s/sparql/1.1',
	:P1_NETWORK_OWNER, :P1_NETWORK_NAME, :P1_MODEL_NAME);
	apex_debug.info('operation_url = %s', l_operation_url);
	l_request := :P1_SPARQL_QUERY;
	apex_web_service.set_request_headers('Content-Type', 'application/sparql-query', 'Accept', 'application/sparql-results+json');
	l_response := apex_web_service.make_rest_request(
	p_url => l_operation_url
	,p_http_method => 'POST'
	,p_body => l_request
	,p_credential_static_id => :G_CREDENTIAL
	);
	l_status_code := apex_web_service.g_status_code;
	apex_debug.info('status_code = %s', l_status_code);
	if not l_status_code between 200 and 300 then
	raise e_call_api_failed;
	end if;
	:P1_RESPONSE := l_response;
	end;

	declare
	l_base_url apex_workspace_remote_servers.base_url%type;
	l_operation_url varchar2(400);
	l_request clob;
	l_response clob;
	e_call_api_failed exception;
	l_status_code number;
	begin
	select base_url into l_base_url from apex_workspace_remote_servers
	where remote_server_static_id = :G_REMOTE_SERVER;
	l_operation_url :=
	apex_string.format(l_base_url \|\| '/database/rdf/networks/%s,%s/models/%s/sparql/1.1',
	:P1_NETWORK_OWNER, :P1_NETWORK_NAME, :P1_MODEL_NAME);
	apex_debug.info('operation_url = %s', l_operation_url);
	l_request := :P1_SPARQL_QUERY;
	apex_web_service.set_request_headers('Content-Type', 'application/sparql-query', 'Accept', 'application/sparql-results+json');
	l_response := apex_web_service.make_rest_request(
	p_url => l_operation_url
	,p_http_method => 'POST'
	,p_body => l_request
	,p_credential_static_id => :G_CREDENTIAL
	);
	l_status_code := apex_web_service.g_status_code;
	apex_debug.info('status_code = %s', l_status_code);
	if not l_status_code between 200 and 300 then
	raise e_call_api_failed;
	end if;
	:P1_RESPONSE := l_response;
	end;

日日是Oracle APEX

2025年6月3日火曜日

Oracle REST Data ServicesのRDF Graph APIを呼び出してSPARQLを実行する

2025年6月2日月曜日

hotchpotch/japanese-splade-v2でsparseベクトルを生成しオラクル・データベースに保存して検索する

SPLADE類似検索テストケース

テストケース1: 技術文書の類似検索

クエリ文書

候補文書群

テストケース2: 医療情報の類似検索

クエリ文書

候補文書群

テストケース3: ビジネス文書の類似検索

クエリ文書

候補文書群

テストケース4: 学術論文の類似検索

クエリ文書

候補文書群

テスト評価指標

主要評価項目

期待される結果

	# 「坊ちゃん」RDFグラフ検索クエリ集

	PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
	PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
	PREFIX botchan: <http://example.org/botchan/>
	PREFIX vocab: <http://example.org/vocabulary/>

	# =====================================
	# 1. 基本的な人物情報検索
	# =====================================

	# 全人物の一覧表示
	SELECT ?person ?name ?job ?workplace
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name ;
	vocab:職業 ?job .
	OPTIONAL { ?person vocab:勤務先 ?workplace }
	}
	ORDER BY ?name

	# 特定の職業の人物を検索
	SELECT ?person ?name
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name ;
	vocab:職業 "英語教師" .
	}

	# 坊ちゃんの基本情報
	SELECT ?property ?value
	WHERE {
	botchan:坊ちゃん ?property ?value .
	}

	# =====================================
	# 2. 職場・階層関係の検索
	# =====================================

	# 中学校に勤務する全教職員
	SELECT ?person ?name ?job ?position
	WHERE {
	?person vocab:勤務先 botchan:中学校 ;
	rdfs:label ?name ;
	vocab:職業 ?job .
	OPTIONAL { ?person vocab:職位 ?position }
	}
	ORDER BY ?position ?job

	# 管理職の一覧
	SELECT ?person ?name ?position
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name ;
	vocab:職位 ?position .
	}

	# 教師のみの一覧
	SELECT ?person ?name ?subject
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name ;
	vocab:職業 ?subject .
	FILTER(CONTAINS(?subject, "教師"))
	}

	# =====================================
	# 3. 人間関係の検索
	# =====================================

	# 坊ちゃんの人間関係マップ
	SELECT ?relationship ?related_person ?related_name
	WHERE {
	{
	botchan:坊ちゃん ?relationship ?related_person .
	?related_person rdf:type vocab:人物 ;
	rdfs:label ?related_name .
	}
	UNION
	{
	?related_person ?relationship botchan:坊ちゃん .
	?related_person rdf:type vocab:人物 ;
	rdfs:label ?related_name .
	FILTER(?relationship != rdf:type && ?relationship != rdfs:label)
	}
	}

	# 対立関係の一覧
	SELECT ?person1 ?name1 ?person2 ?name2
	WHERE {
	?person1 vocab:対立関係 ?person2 ;
	rdfs:label ?name1 .
	?person2 rdfs:label ?name2 .
	}

	# 味方関係の一覧
	SELECT ?person1 ?name1 ?person2 ?name2
	WHERE {
	?person1 vocab:味方関係 ?person2 ;
	rdfs:label ?name1 .
	?person2 rdfs:label ?name2 .
	}

	# 恋愛関係の一覧
	SELECT ?person1 ?name1 ?person2 ?name2
	WHERE {
	?person1 vocab:恋愛関係 ?person2 ;
	rdfs:label ?name1 .
	?person2 rdfs:label ?name2 .
	}

	# 同盟関係の一覧
	SELECT ?person1 ?name1 ?person2 ?name2
	WHERE {
	?person1 vocab:同盟関係 ?person2 ;
	rdfs:label ?name1 .
	?person2 rdfs:label ?name2 .
	}

	# =====================================
	# 4. 性格特性の検索
	# =====================================

	# 全人物の性格一覧
	SELECT ?person ?name ?trait
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name ;
	vocab:性格 ?trait .
	}
	ORDER BY ?name

	# 特定の性格を持つ人物検索
	SELECT ?person ?name
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name ;
	vocab:性格 "正義感が強い" .
	}

	# 性格特性をグループ化して表示
	SELECT ?person ?name (GROUP_CONCAT(?trait; separator=", ") as ?traits)
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name ;
	vocab:性格 ?trait .
	}
	GROUP BY ?person ?name
	ORDER BY ?name

	# ネガティブな性格の人物
	SELECT ?person ?name ?trait
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name ;
	vocab:性格 ?trait .
	FILTER(?trait IN ("狡猾", "陰険", "軽薄"))
	}

	# =====================================
	# 5. 事件・出来事の検索
	# =====================================

	# 坊ちゃんが経験した出来事
	SELECT ?event
	WHERE {
	botchan:坊ちゃん vocab:経験した出来事 ?event .
	}

	# 誰がどの出来事に関与したか
	SELECT ?person ?name ?event_type ?event
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name .
	{
	?person vocab:経験した出来事 ?event .
	BIND("経験" as ?event_type)
	}
	UNION
	{
	?person vocab:関与した出来事 ?event .
	BIND("関与" as ?event_type)
	}
	}

	# 特定の出来事に関わった人物
	SELECT ?person ?name ?involvement
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name .
	{
	?person vocab:経験した出来事 "温泉事件" .
	BIND("経験者" as ?involvement)
	}
	UNION
	{
	?person vocab:関与した出来事 "うらなり左遷工作" .
	BIND("関与者" as ?involvement)
	}
	}

	# 行動を起こした人物
	SELECT ?person ?name ?action
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name ;
	vocab:行動 ?action .
	}

	# =====================================
	# 6. 複合条件検索
	# =====================================

	# 坊ちゃんの敵対者の詳細情報
	SELECT ?enemy ?name ?job ?traits ?alliance
	WHERE {
	botchan:坊ちゃん vocab:対立関係 ?enemy .
	?enemy rdfs:label ?name ;
	vocab:職業 ?job .

	# 性格特性を集約
	OPTIONAL {
	SELECT ?enemy (GROUP_CONCAT(?trait; separator=", ") as ?traits)
	WHERE {
	?enemy vocab:性格 ?trait .
	}
	GROUP BY ?enemy
	}

	# 同盟関係を確認
	OPTIONAL {
	?enemy vocab:同盟関係 ?ally .
	?ally rdfs:label ?ally_name .
	BIND(?ally_name as ?alliance)
	}
	}

	# 中学校の人間関係ネットワーク
	SELECT ?person1 ?name1 ?relationship ?person2 ?name2
	WHERE {
	?person1 vocab:勤務先 botchan:中学校 ;
	rdfs:label ?name1 .
	?person1 ?relationship ?person2 .
	?person2 vocab:勤務先 botchan:中学校 ;
	rdfs:label ?name2 .
	FILTER(?relationship IN (vocab:対立関係, vocab:味方関係, vocab:同盟関係))
	}

	# 性格と職業の相関
	SELECT ?job ?trait (COUNT(?person) as ?count)
	WHERE {
	?person rdf:type vocab:人物 ;
	vocab:職業 ?job ;
	vocab:性格 ?trait .
	}
	GROUP BY ?job ?trait
	ORDER BY ?job ?count DESC

	# =====================================
	# 7. 特定人物の詳細プロファイル
	# =====================================

	# 赤シャツの完全プロファイル
	SELECT ?property ?value
	WHERE {
	botchan:赤シャツ ?property ?value .
	FILTER(?property != rdf:type)
	}

	# 山嵐の関係性分析
	SELECT ?relationship_type ?related_person ?related_name
	WHERE {
	{
	botchan:山嵐 ?relationship_type ?related_person .
	?related_person rdf:type vocab:人物 ;
	rdfs:label ?related_name .
	}
	UNION
	{
	?related_person ?relationship_type botchan:山嵐 .
	?related_person rdf:type vocab:人物 ;
	rdfs:label ?related_name .
	}
	FILTER(?relationship_type != rdf:type && ?relationship_type != rdfs:label)
	}

	# =====================================
	# 8. メタデータと作品情報の検索
	# =====================================

	# 作品の基本情報
	SELECT ?property ?value
	WHERE {
	botchan:作品 ?property ?value .
	}

	# 学校の情報
	SELECT ?property ?value
	WHERE {
	botchan:中学校 ?property ?value .
	}

	# データセット全体のサマリー
	SELECT ?type (COUNT(?resource) as ?count)
	WHERE {
	?resource rdf:type ?type .
	}
	GROUP BY ?type

	# =====================================
	# 9. 条件分析クエリ
	# =====================================

	# 孤立している人物（特別な関係がない人物）
	SELECT ?person ?name ?job
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name ;
	vocab:職業 ?job .
	FILTER NOT EXISTS {
	?person vocab:対立関係\|vocab:味方関係\|vocab:同盟関係\|vocab:恋愛関係 ?other .
	}
	FILTER NOT EXISTS {
	?other vocab:対立関係\|vocab:味方関係\|vocab:同盟関係\|vocab:恋愛関係 ?person .
	}
	}

	# 最も多くの関係を持つ人物
	SELECT ?person ?name (COUNT(?relationship) as ?relationship_count)
	WHERE {
	?person rdf:type vocab:人物 ;
	rdfs:label ?name .
	{
	?person ?relationship ?other .
	?other rdf:type vocab:人物 .
	}
	UNION
	{
	?other ?relationship ?person .
	?other rdf:type vocab:人物 .
	}
	FILTER(?relationship IN (vocab:対立関係, vocab:味方関係, vocab:同盟関係, vocab:恋愛関係, vocab:世話になった人, vocab:世話した人))
	}
	GROUP BY ?person ?name
	ORDER BY DESC(?relationship_count)

	# =====================================
	# 10. 推論的検索
	# =====================================

	# 間接的な敵関係（敵の同盟者）
	SELECT ?person ?name ?indirect_enemy ?enemy_name
	WHERE {
	botchan:坊ちゃん vocab:対立関係 ?direct_enemy .
	?direct_enemy vocab:同盟関係 ?indirect_enemy .
	?person rdfs:label ?name .
	?indirect_enemy rdfs:label ?enemy_name .
	FILTER(?indirect_enemy != botchan:坊ちゃん)
	}

	# 潜在的な味方関係（味方の味方）
	SELECT ?person ?name ?potential_ally ?ally_name
	WHERE {
	botchan:坊ちゃん vocab:味方関係 ?direct_ally .
	?direct_ally vocab:味方関係 ?potential_ally .
	?person rdfs:label ?name .
	?potential_ally rdfs:label ?ally_name .
	FILTER(?potential_ally != botchan:坊ちゃん)
	}

	from fastapi import FastAPI, HTTPException
	from pydantic import BaseModel
	from transformers import AutoTokenizer, AutoModelForMaskedLM
	import torch
	import numpy as np
	from typing import Dict, List
	import logging
	from contextlib import asynccontextmanager

	# ロギング設定
	logging.basicConfig(level=logging.INFO)
	logger = logging.getLogger(__name__)

	# グローバル変数でモデルとトークナイザーを保持
	tokenizer = None
	model = None

	class TextRequest(BaseModel):
	text: str
	max_length: int = 512

	class SparseVector(BaseModel):
	indices: List[int]
	values: List[float]
	vocab_size: int

	class TextResponse(BaseModel):
	text: str
	sparse_vector: SparseVector



	async def load_model():
	"""モデルを読み込み"""
	global tokenizer, model

	try:
	logger.info("Japanese SPLADE v2モデルを読み込み中...")
	model_name = "hotchpotch/japanese-splade-v2"

	# トークナイザーとモデルを読み込み
	tokenizer = AutoTokenizer.from_pretrained(model_name)
	model = AutoModelForMaskedLM.from_pretrained(model_name)

	# GPUが利用可能な場合はGPUを使用
	device = "cuda" if torch.cuda.is_available() else "cpu"
	model = model.to(device)
	model.eval()

	logger.info(f"モデルの読み込みが完了しました (device: {device})")

	except Exception as e:
	logger.error(f"モデル読み込み中にエラーが発生しました: {e}")
	raise e

	async def cleanup_model():
	"""モデルをクリーンアップ"""
	global tokenizer, model
	logger.info("モデルをクリーンアップ中...")
	tokenizer = None
	model = None

	@asynccontextmanager
	async def lifespan(app: FastAPI):
	# 起動時
	await load_model()
	yield
	# 終了時
	await cleanup_model()

	app = FastAPI(
	title="Japanese SPLADE API",
	description="Japanese SPLADE v2モデルを使用してsparse vectorを生成するAPI",
	version="1.0.0",
	lifespan=lifespan
	)

	def splade_max_pooling(logits, attention_mask):
	relu_log = torch.log(1 + torch.relu(logits))
	weighted_log = relu_log * attention_mask.unsqueeze(-1)
	max_val, _ = torch.max(weighted_log, dim=1)
	return max_val

	def create_sparse_vector(text: str, max_length: int = 512) -> SparseVector:
	"""テキストからsparse vectorを生成"""
	if tokenizer is None or model is None:
	raise HTTPException(status_code=500, detail="モデルが読み込まれていません")

	try:
	device = next(model.parameters()).device

	# テキストをトークン化
	tokens = tokenizer(
	text,
	return_tensors="pt",
	truncation=True,
	padding=True,
	max_length=max_length
	)

	# デバイスに転送
	tokens = {k: v.to(device) for k, v in tokens.items()}

	# モデルの推論を実行
	with torch.no_grad():
	outputs = model(**tokens)
	logits = outputs.logits # [batch_size, seq_len, vocab_size]

	# splade_max_pooling関数を使用してsparse vectorを生成
	embeddings = splade_max_pooling(logits, tokens['attention_mask'])

	# バッチサイズが1なので最初の要素を取得
	vector = embeddings[0] # [vocab_size]

	# 非ゼロの要素のみを取得（閾値を設定してスパース性を確保）
	threshold = 1e-6
	non_zero_mask = vector > threshold
	non_zero_indices = torch.nonzero(non_zero_mask).squeeze(-1)
	non_zero_values = vector[non_zero_indices]

	# CPUに移動してリストに変換
	indices = non_zero_indices.cpu().numpy().tolist()
	values = non_zero_values.cpu().numpy().tolist()

	return SparseVector(
	indices=indices,
	values=values,
	vocab_size=tokenizer.vocab_size
	)

	except Exception as e:
	logger.error(f"sparse vector生成中にエラーが発生しました: {e}")
	raise HTTPException(status_code=500, detail=f"処理中にエラーが発生しました: {str(e)}")

	@app.post("/encode", response_model=TextResponse)
	async def encode_text(request: TextRequest):
	"""テキストをsparse vectorにエンコード"""
	try:
	sparse_vector = create_sparse_vector(request.text, request.max_length)

	return TextResponse(
	text=request.text,
	sparse_vector=sparse_vector
	)

	except Exception as e:
	logger.error(f"エンコード処理中にエラーが発生しました: {e}")
	raise HTTPException(status_code=500, detail=str(e))

	@app.post("/batch_encode")
	async def batch_encode_texts(texts: List[str], max_length: int = 512):
	"""複数のテキストを一度にエンコード"""
	try:
	results = []
	for text in texts:
	sparse_vector = create_sparse_vector(text, max_length)
	results.append({
	"text": text,
	"sparse_vector": {
	"indices": sparse_vector.indices,
	"values": sparse_vector.values,
	"vocab_size": sparse_vector.vocab_size
	}
	})

	return {"results": results}

	except Exception as e:
	logger.error(f"バッチエンコード処理中にエラーが発生しました: {e}")
	raise HTTPException(status_code=500, detail=str(e))

	@app.get("/health")
	async def health_check():
	"""ヘルスチェック"""
	return {
	"status": "healthy",
	"model_loaded": tokenizer is not None and model is not None,
	"cuda_available": torch.cuda.is_available(),
	"device": str(next(model.parameters()).device) if model is not None else "unknown"
	}

	@app.get("/model_info")
	async def get_model_info():
	"""モデル情報を取得"""
	if tokenizer is None:
	raise HTTPException(status_code=500, detail="モデルが読み込まれていません")

	return {
	"model_name": "hotchpotch/japanese-splade-v2",
	"vocab_size": tokenizer.vocab_size,
	"max_position_embeddings": getattr(tokenizer, 'model_max_length', 'unknown'),
	"device": str(next(model.parameters()).device) if model is not None else "unknown"
	}

	if __name__ == "__main__":
	import uvicorn
	uvicorn.run(app, host="0.0.0.0", port=7999)

	create table ebaj_sparse_vectors (
	id number generated by default on null as identity
	constraint ebaj_sparse_vectors_id_pk primary key,
	text varchar2(4000 char),
	is_updated boolean default true,
	vec vector(32768, float32, sparse)
	);

	declare
	l_request json_object_t;
	l_request_clob clob;
	l_response clob;
	l_response_json json_object_t;
	e_call_api_failed exception;
	l_sparse_vector json_object_t;
	l_sarr json_array_t;
	l_sarr_clob clob;
	begin
	apex_web_service.set_request_headers('Content-Type', 'application/json');
	for r in (select * from ebaj_sparse_vectors where is_updated)
	loop
	l_request := json_object_t();
	l_request.put('text', r.text);
	l_request_clob := l_request.to_clob();
	l_response := apex_web_service.make_rest_request(
	p_url => :G_ENDPOINT
	,p_http_method => 'POST'
	,p_body => l_request_clob
	);
	if apex_web_service.g_status_code <> 200 then
	raise e_call_api_failed;
	end if;
	l_response_json := json_object_t(l_response);
	l_sparse_vector := l_response_json.get_object('sparse_vector');
	l_sarr := json_array_t();
	l_sarr.append(l_sparse_vector.get_number('vocab_size'));
	l_sarr.append(l_sparse_vector.get_array('indices'));
	l_sarr.append(l_sparse_vector.get_array('values'));
	l_sarr_clob := l_sarr.to_clob();
	update ebaj_sparse_vectors set vec = to_vector(l_sarr_clob, 32768, float32, sparse), is_updated = false where id = r.id;
	end loop;
	commit;
	end;