feat(plagiarism): показывать тематически близкие источники, а не только нарушения

Кандидаты уровня 3 (FAISS), которые прошли порог семантической схожести,
но LLM не подтвердила заимствование, раньше молча отбрасывались. Теперь
это отдельный блок "recommendations" в отчёте — не плагиат, но источники,
полезные для раскрытия темы.

services/worker-gpu/app/scoring.py

@@ -60,6 +60,7 @@ def aggregate_results(
     semantic_matches: list[dict[str, Any]],
     total_fragments: int,
     full_text: str = "",
+    related_candidates: list[dict[str, Any]] | None = None,
 ) -> dict[str, Any]:
     """Свести совпадения уровней в итог проверки.
 
@@ -77,11 +78,15 @@ def aggregate_results(
         total_fragments: всего проверенных фрагментов документа
         full_text: полный текст проверяемого документа — нужен для is_cited;
             пустая строка → ни один фрагмент не размечается как цитата
+        related_candidates: кандидаты уровня 3 (FAISS), которые прошли порог
+            семантической схожести, но LLM не подтвердила парафраз/плагиат —
+            не заимствование, но тематически близкая работа. Используются
+            для "recommendations", а не для процента схожести.
 
     Returns:
         dict с полями overall_similarity, uncited_similarity, matches (с полем
         "cited" в каждом), total_fragments, flagged_fragments, cited_fragments,
-        uncited_fragments, by_method.
+        uncited_fragments, by_method, recommendations.
     """
     all_matches = level1_matches + level2_matches + semantic_matches
 
@@ -101,6 +106,18 @@ def aggregate_results(
         pct = (len(positions) / total_fragments * 100) if total_fragments > 0 else 0.0
         return round(min(pct, 100.0), 2)
 
+    # Рекомендации: лучший кандидат на источник (без уже засчитанных как совпадение),
+    # отсортированы по убыванию схожести, не более 10 — чтобы не захламлять отчёт.
+    flagged_sources = {m.get("source_url") or m.get("source_title") for m in semantic_matches}
+    best_by_source: dict[str, dict[str, Any]] = {}
+    for c in related_candidates or []:
+        key = c.get("source_url") or c.get("source_title", "")
+        if not key or key in flagged_sources:
+            continue
+        if key not in best_by_source or c.get("similarity", 0) > best_by_source[key].get("similarity", 0):
+            best_by_source[key] = c
+    recommendations = sorted(best_by_source.values(), key=lambda c: c.get("similarity", 0), reverse=True)[:10]
+
     return {
         "overall_similarity": _pct(flagged_positions),
         "uncited_similarity": _pct(uncited_positions),
@@ -114,4 +131,5 @@ def aggregate_results(
             "fuzzy": len(level2_matches),
             "semantic_llm": len(semantic_matches),
         },
+        "recommendations": recommendations,
     }