此方法根据自然句子边界对文本进行分块。每个块都包含一定数量的句子，保留语义单元。保持连贯的思想是至关重要的，在句子中间拆分会导致失去意义。
优势：
弊：
块大小不均匀，因为句子的长度不同。
当句子太长时，可能会超过模型中的标记限制。
import spacynlp = spacy.load("en_core_web_sm") def sentence_chunk(text): doc = nlp(text) return [sent.text for sent in doc.sents] # Applying Sentence-Based Chunkingsentence_chunks = sentence_chunk(sample_text)for chunk in sentence_chunks: print(chunk, '\n---\n')
此策略根据段落边界拆分文本，将每个段落视为一个块。最适合结构化文档，如报告或论文，其中每个段落都包含一个完整的想法或论点。
优势：
弊：
段落长度不同，导致块大小不均匀。
长段落可能仍会超出标记限制。
def paragraph_chunk(text): paragraphs = text.split('\n\n') return paragraphs # Applying Paragraph-Based Chunkingparagraph_chunks = paragraph_chunk(sample_text)for chunk in paragraph_chunks: print(chunk, '\n---\n')
此方法使用机器学习模型（如 transformers）根据语义含义将文本拆分为块。当保留最高级别的上下文至关重要时，例如在复杂的技术文档中。
优势：
弊：
def semantic_chunk(text, max_len=200): doc = nlp(text) chunks = [] current_chunk = [] for sent in doc.sents: current_chunk.append(sent.text) if len(' '.join(current_chunk)) > max_len: chunks.append(' '.join(current_chunk)) current_chunk = [] if current_chunk: chunks.append(' '.join(current_chunk)) return chunks # Applying Semantic-Based Chunkingsemantic_chunks = semantic_chunk(sample_text)for chunk in semantic_chunks: print(chunk, '\n---\n')
此策略分别处理不同的内容类型（文本、图像、表格）。每种模态都根据其特征独立分块。适用于包含各种内容类型的文档，如 PDF 或具有混合媒体的技术手册。
优势：
专为混合媒体文档量身定制。
允许对不同模态进行自定义处理。
弊：
def modality_chunk(text, images=None, tables=None): # This function assumes you have pre-processed text, images, and tables text_chunks = paragraph_chunk(text) return {'text_chunks': text_chunks, 'images': images, 'tables': tables} # Applying Modality-Specific Chunkingmodality_chunks = modality_chunk(sample_text, images=['img1.png'], tables=['table1'])print(modality_chunks)
滑动窗口分块会创建重叠的数据块，从而允许每个数据块与下一个数据块共享其部分内容。当您需要确保块之间上下文的连续性时，例如在法律或学术文档中。
优势：
弊：
可能会通过在多个块中重复内容来引入冗余。
需要更多处理。
def sliding_window_chunk(text, chunk_size=100, overlap=20): tokens = text.split() chunks = [] for i in range(0, len(tokens), chunk_size - overlap): chunk = ' '.join(tokens[i:i + chunk_size]) chunks.append(chunk) return chunks # Applying Sliding Window Chunkingsliding_chunks = sliding_window_chunk(sample_text)for chunk in sliding_chunks: print(chunk, '\n---\n')
分层分块在多个级别划分文档，例如部分、小节和段落。对于高度结构化的文档，如学术论文或法律文本，维护层次结构是必不可少的。
优势：
弊：
def hierarchical_chunk(text, section_keywords): sections = [] current_section = [] for line in text.splitlines(): if any(keyword in line for keyword in section_keywords): if current_section: sections.append("\n".join(current_section)) current_section = [line] else: current_section.append(line) if current_section: sections.append("\n".join(current_section)) return sections # Applying Hierarchical Chunkingsection_keywords = ["Introduction", "Overview", "Methods", "Conclusion"]hierarchical_chunks = hierarchical_chunk(sample_text, section_keywords)for chunk in hierarchical_chunks: print(chunk, '\n---\n')
此方法根据内容特征（例如，在段落级别对文本进行分块，将表格作为单独的实体）进行调整。对于内容异构的文档，例如电子书或技术手册，分块必须根据内容类型而变化。
优势：
灵活且可适应不同的内容类型。
保持多种格式的文档完整性。
弊：
需要复杂的动态分块逻辑。
对于内容结构多样的文档，难以实现。
def content_aware_chunk(text): chunks = [] current_chunk = [] for line in text.splitlines(): if line.startswith(('##', '###', 'Introduction', 'Conclusion')): if current_chunk: chunks.append('\n'.join(current_chunk)) current_chunk = [line] else: current_chunk.append(line) if current_chunk: chunks.append('\n'.join(current_chunk)) return chunks # Applying Content-Aware Chunkingcontent_chunks = content_aware_chunk(sample_text)for chunk in content_chunks: print(chunk, '\n---\n')
此策略通过将文档表提取为独立的块并将其转换为 markdown 或 JSON 等格式以便于处理来专门处理文档表。对于包含表格数据的文档，例如财务报告或技术文档，其中的表格包含重要信息。
优势：
保留表结构以进行高效的下游处理。
允许独立处理表格数据。
弊：
在转换过程中，格式可能会丢失。
需要对具有复杂结构的表进行特殊处理。
import pandas as pd def table_aware_chunk(table): return table.to_markdown() # Sample table datatable = pd.DataFrame({ "Name": ["John", "Alice", "Bob"], "Age": [25, 30, 22], "Occupation": ["Engineer", "Doctor", "Artist"]}) # Applying Table-Aware Chunkingtable_markdown = table_aware_chunk(table)print(table_markdown)
基于标记的分块根据固定数量的标记而不是单词或句子来拆分文本。它使用来自 NLP 模型的分词器。对于对 Token 进行作的模型，例如具有 Token 限制的基于 transformer 的模型（例如 GPT-3 或 GPT-4）。
优势：
适用于基于 transformer 的模型。
确保遵守令牌限制。
弊：
分词可能会拆分句子或破坏上下文。
并不总是与自然语言边界保持一致。
from transformers import GPT2Tokenizer tokenizer = GPT2Tokenizer.from_pretrained("gpt2") def token_based_chunk(text, max_tokens=200): tokens = tokenizer(text)["input_ids"] chunks = [tokens[i:i + max_tokens] for i in range(0, len(tokens), max_tokens)] return [tokenizer.decode(chunk) for chunk in chunks] # Applying Token-Based Chunkingtoken_chunks = token_based_chunk(sample_text)for chunk in token_chunks: print(chunk, '\n---\n')
基于实体的分块利用命名实体识别 （NER） 根据识别的实体（如人员、组织或位置）将文本分成多个块。对于特定实体必须作为上下文单元进行维护的文档，例如简历、合同或法律文档。
优势：
保持命名实体不变。
可以通过关注相关实体来提高检索准确性。
弊：
需要经过训练的 NER 模型。
实体可能会重叠，从而导致复杂的块边界。
def entity_based_chunk(text): doc = nlp(text) entities = [ent.text for ent in doc.ents] return entities # Applying Entity-Based Chunkingentity_chunks = entity_based_chunk(sample_text)print(entity_chunks)
用于涵盖多个主题的文档，例如新闻文章、研究论文或具有不同主题的报告。
优势：
将相关信息分组在一起。
有助于根据特定主题进行重点检索。
弊：
需要额外的处理 （主题建模）。
对于简短的文档或重叠的主题，可能并不精确。
根据页面边界拆分文档，页面边界通常用于 PDF 或格式化文档，其中每个页面都被视为一个块。对于页面边界具有语义重要性的页面文档，如 PDF 或可打印报表。
优势：
弊：
页面可能与自然文本分隔符不对应。
页面之间的上下文可能会丢失。
def page_based_chunk(pages): # Split based on pre-processed page list (simulating PDF page text) return pages # Sample pagespages = ["Page 1 content", "Page 2 content", "Page 3 content"] # Applying Page-Based Chunkingpage_chunks = page_based_chunk(pages)for chunk in page_chunks: print(chunk, '\n---\n')
此方法根据表示主题转移的预定义关键字或短语（例如，“Introduction”、“Conclusion”）对文档进行分块。适合遵循清晰结构的文档，例如科学论文或技术规范。
优势：
根据关键字捕获自然的主题分隔符。
适用于结构化文档。
弊：
def keyword_based_chunk(text, keywords): chunks = [] current_chunk = [] for line in text.splitlines(): if any(keyword in line for keyword in keywords): if current_chunk: chunks.append('\n'.join(current_chunk)) current_chunk = [line] else: current_chunk.append(line) if current_chunk: chunks.append('\n'.join(current_chunk)) return chunks # Applying Keyword-Based Chunkingkeywords = ["Introduction", "Overview", "Conclusion", "Methods", "Challenges"]keyword_chunks = keyword_based_chunk(sample_text, keywords)for chunk in keyword_chunks: print(chunk, '\n---\n')
根据内容类型和文档结构组合了多个分块策略。例如，文本可以按句子分块，而表格和图像是分开处理的。用于包含各种内容类型的复杂文档，如技术报告、业务文档或产品手册。
优势：
高度适应各种文档结构。
允许对不同的内容类型进行精细控制。
弊：
实现起来更复杂。
需要自定义逻辑来处理每种内容类型。
defhybrid_chunk(text): paragraphs = paragraph_chunk(text) hybrid_chunks = [] forparagraphin paragraphs: hybrid_chunks += sentence_chunk(paragraph) return hybrid_chunks # Applying Hybrid Chunkinghybrid_chunks = hybrid_chunk(sample_text)forchunkin hybrid_chunks: print(chunk, '\n---\n')
在构建检索增强生成 （RAG） 时，针对特定用例和文档类型优化分块至关重要。不同的场景根据文档大小、内容多样性和检索速度有不同的要求。让我们根据这些因素探讨一些优化策略。
选择正确的分块策略取决于多个因素，包括文档类型、上下文保留的需求以及检索速度和准确性之间的平衡。无论您是处理学术论文、法律文档还是混合内容文件，选择合适的方法都可以显著提高 RAG 的有效性。通过迭代和优化分块方法，您可以适应不断变化的文档类型和用户需求，确保您的检索系统保持稳健和高效。
粤ICP备14082021号
免费POC，
零成本试错
