今天是2024年5月8日，星期三，北京，天气晴。

今天我们来看看2个问题，一个是再看RAG中文档解析流程的具象化理解，理解下文档处理中几个模块的输入输出；另一个是现在的语义分割模型，这种思路很依赖于场景标注数据集。

供大家一起参考并思考。

问题1：再看RAG中文档解析流程的具象化理解

《A Method for Parsing and Vectorization of Semi-structuredData used in Retrieval Augmented Generation》（https://arxiv.org/pdf/2405.03989）这个实验报告其中提到的针对半结构化文本的具象化理解，可以看看，加深印象。

1、整个的实现流程

在解析过程中，利用目标检测系统detectron2(https://unstructured-io.github.io/unstructured/platform.html)，将.docx文件划分为多个元素，包括标题、文本、图像、表格、页眉和页脚。细化过程只保留了四个核心元素：“标题”、“文本”、“图像”和“表格”，对于“Table”元素，核心文本信息保留在元素的“text属性”中。

2、关于图表部分的处理

对于“图像”元素，利用“gpt-4-vision-preview”API，生成特定查询，提示GPT提供图像的详细文本描述，取代图像最初占据的位置。

3、关于表格部分的处理

为了表格的格式保真度，存储了其HTML表示，可以具象化如下：

这类数据也可以转成html格式进行渲染

实际上，当前的许多工具都已天然支持，例如llama_parse：https://docs.llamaindex.ai/en/stable/module_guides/loading/connector/llama_parse.html，以及ragflow(https://github.com/infiniflow/ragflow.git)

当然，当前也有一些开源工具集合：

问题2：RAG中的语义分割方案是什么

语义分割模型是当前进行chunk以及在缺少段落信息的场景下，我们所需要关注，langchain中内置的一些方案实际上很粗糙暴力切分。我们可以看看这个问题，一个具象化的结果如下：

有一些方案，例如，基于Cross Segment Attention的文本分割。例如，工作《Text Segmentation by Cross Segment Attention》(https://aclanthology.org/2020.emnlp-main.380.pdf)中提到了3种方案：

在跨段BERT模型（左侧）中，模型提供潜在段落断点周围的局部上下文：左侧k个标记和右侧k个标记。

在BERT+Bi-LSTM模型（中间）中，首先使用BERT模型对每个句子进行编码，然后将句子表示输入到一个Bi-LSTM中。

在分层BERT模型（右侧）中，首先使用BERT对每个句子进行编码，然后将输出的句子表示输入到另一个模型当中。

另外，也有一个开源项目SeqModel模型，用于文本切分，地址：nlp_bert_document-segmentation_chinese-base(https://modelscope.cn/models/damo/nlp_bert_document-segmentation_chinese-base/summary)可以进行调用。

from modelscope.outputs import OutputKeys
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
 
p = pipeline(
    task=Tasks.document_segmentation,
    model='damo/nlp_bert_document-segmentation_chinese-base')
 
result = p(documents='......')
print(result[OutputKeys.TEXT])

当然，效果并不是很好，如下一个badcase:

总结

本文主要谈了2个问题，一个是再看RAG中文档解析流程的具象化理解，一个是RAG中的语义分割方案是什么，后者实际上很依赖标注数据。

参考文献

1、https://blog.csdn.net/v_JULY_v/article/details/135386202

2、https://arxiv.org/pdf/2405.03989

关于我们

老刘，刘焕勇，NLP开源爱好者与践行者，主页：https://liuhuanyong.github.io。

老刘说NLP，将定期发布语言资源、工程实践、技术总结等内容，欢迎关注。

对于想加入更优质的知识图谱、事件图谱、大模型AIGC实践、相关分享的，可关注公众号，在后台菜单栏中点击会员社区->会员入群加入。