跳到主要内容
Open on GitHub

文本分割器

先决条件
  • 文档
  • Tokenization(/docs/concepts/tokens)

概述​

文档分割通常是许多应用中至关重要的预处理步骤。它涉及将大型文本分解为更小、更易于管理的块。此过程具有多项优势，例如确保对不同文档长度进行一致处理、克服模型的输入大小限制以及提高检索系统中使用的文本表示的质量。有几种分割文档的策略，每种策略都有其自身的优势。

关键概念​

Conceptual Overview

文本分割器将文档分割成更小的块，以便在下游应用程序中使用。

为什么要分割文档？​

分割文档有以下几个原因

  • 处理非均匀文档长度：真实世界的文档集合通常包含大小不一的文本。分割确保所有文档的处理一致。
  • 克服模型限制：许多嵌入模型和语言模型都有最大输入大小约束。分割使我们能够处理原本会超出这些限制的文档。
  • 提高表示质量：对于较长的文档，当它们试图捕获太多信息时，嵌入或其他表示的质量可能会下降。分割可以使每个部分的表示更集中和准确。
  • 提高检索精度：在信息检索系统中，分割可以提高搜索结果的粒度，从而更精确地将查询与相关文档部分匹配。
  • 优化计算资源：处理较小的文本块可以更节省内存，并允许更好地并行处理任务。

现在，下一个问题是如何将文档分割成块！有几种策略，每种策略都有其自身的优势。

延伸阅读
  • 请参阅 Greg Kamradt 的 chunkviz，以可视化下面讨论的不同分割策略。

方法​

基于长度​

最直观的策略是根据文档的长度进行分割。这种简单而有效的方法确保每个块不超过指定的尺寸限制。基于长度分割的关键优势

  • 实施简单直接
  • 块大小一致
  • 易于适应不同的模型要求

基于长度的分割类型

  • 基于 Token：基于 token 数量分割文本，这在使用语言模型时非常有用。
  • 基于字符：基于字符数分割文本，这在不同类型的文本中可能更一致。

使用 LangChain 的 CharacterTextSplitter 进行基于 token 分割的示例实现

from langchain_text_splitters import CharacterTextSplitter
text_splitter = CharacterTextSplitter.from_tiktoken_encoder(
    encoding_name="cl100k_base", chunk_size=100, chunk_overlap=0
)
texts = text_splitter.split_text(document)
延伸阅读

基于文本结构​

文本自然地组织成层次结构单元，例如段落、句子和单词。我们可以利用这种固有的结构来指导我们的分割策略，创建保持自然语言流畅性、在分割中保持语义连贯性并适应不同文本粒度级别的分割。LangChain 的 RecursiveCharacterTextSplitter 实现了这个概念

  • RecursiveCharacterTextSplitter 尝试保持较大的单元（例如，段落）完整。
  • 如果一个单元超过块大小，它将移动到下一个级别（例如，句子）。
  • 如有必要，此过程将继续向下到单词级别。

这是一个示例用法

from langchain_text_splitters import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=0)
texts = text_splitter.split_text(document)
延伸阅读

基于文档结构​

某些文档具有固有的结构，例如 HTML、Markdown 或 JSON 文件。在这些情况下，根据文档的结构进行分割是有益的，因为它通常自然地将语义相关的文本分组。基于结构分割的关键优势

  • 保留文档的逻辑组织
  • 在每个块中维护上下文
  • 对于检索或摘要等下游任务可能更有效

基于结构的分割示例

  • Markdown：基于标题（例如，#、##、###）分割
  • HTML：使用标签分割
  • JSON：按对象或数组元素分割
  • 代码：按函数、类或逻辑块分割
延伸阅读

基于语义含义​

与以前的方法不同，基于语义的分割实际上考虑了文本的内容。虽然其他方法使用文档或文本结构作为语义含义的代理，但此方法直接分析文本的语义。有几种方法可以实现这一点，但从概念上讲，该方法是在文本含义发生重大变化时分割文本。例如，我们可以使用滑动窗口方法生成嵌入，并比较嵌入以找到显着差异

  • 从前几个句子开始并生成嵌入。
  • 移动到下一组句子并生成另一个嵌入（例如，使用滑动窗口方法）。
  • 比较嵌入以找到显着差异，这表明语义部分之间可能存在“断点”。

这项技术有助于创建语义上更连贯的块，从而可能提高检索或摘要等下游任务的质量。

延伸阅读

此页是否对您有帮助？