文檔分句/分段方式匯總

文檔分割方式

1 固定長度/分割符

如:RecursiveCharacterTextSplitter, CharacterTextSplitter
CharacterTextSplitter: 按照固定長度順序分割笤闯,同時有一定的overlap
RecursiveCharacterTextSplitter: 按一個字符優(yōu)先級(如 \n\n, \n, 括號... )遞歸地分割逾冬,很適合處理類似括號這樣的嵌套引用
TokenTextSplitter:基于Token的長度進行順序分割,同時有一定的overlap
也可以直接基于某個分割符簡單分割:

docs = text.split(".")

CharacterTextSplitter:

from langchain.text_splitter import CharacterTextSplitter
text_splitter = CharacterTextSplitter(
    separator = "\n",
    chunk_size = 64,
    chunk_overlap  = 20
)
docs = text_splitter.create_documents([text])
print(docs)

2 規(guī)范格式的分割

MarkdownHeaderTextSplitter: 適用于Markdown文件
LatexTextSplitter: 適用于Latex文件
PyPDFLoader: 適用于PDF文件

from langchain.document_loaders import PyPDFLoader
loader = PyPDFLoader("xxx.pdf")
pages = loader.load()

3 按規(guī)則分句工具

NLTK 或者 spaCy
NLTK使用的句子拆分原理是基于訓練好的模型和規(guī)則浦旱。它使用了一種稱為句子邊界檢測(Sentence Boundary Detection直奋,SBD)的技術能庆,該技術利用了標點符號、縮略詞脚线、數字和其他語言特定的規(guī)則來確定句子的邊界搁胆。依賴語言學上的規(guī)則和模式,而不是句子之間的語義關系邮绿。
拆英文句子:

import nltk
nltk.download('punkt')
from nltk.tokenize import sent_tokenize
text = "Hello, how are you? I'm doing well. Thanks for asking."
sentences = sent_tokenize(text)
print(sentences)
# ['Hello, how are you?', "I'm doing well.", 'Thanks for asking.']

拆中文句子要用jieba分詞庫:

import nltk
import jieba
from nltk.tokenize import sent_tokenize

# 載入中文分詞詞典
jieba.initialize()

# 使用nltk的sent_tokenize函數來拆分中文文本
def chinese_sent_tokenize(text):
    sentences = []
    seg_list = jieba.cut(text, cut_all=False)
    seg_str = ' '.join(seg_list)
    for sent in seg_str.split('渠旁。'):
        sentences.append(sent.strip() + '。')
    return sentences

sentences = chinese_sent_tokenize(text)

4 基于語義進行分割

  1. 基于 BERT 的 cross-segment 模型
  2. seqModel:
    一個實例: nlp_bert_document-segmentation_chinese-base

https://modelscope.cn/models/iic/nlp_bert_document-segmentation_chinese-base/summary

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=text)

print(result[OutputKeys.TEXT])

參考:
https://zhuanlan.zhihu.com/p/673906072
https://zhuanlan.zhihu.com/p/666273413
https://blog.csdn.net/hmywillstronger/article/details/130073676
LangChain+LLM 本地知識庫:
https://blog.csdn.net/v_JULY_v/article/details/131552592
seqModel:
https://blog.csdn.net/weixin_48827824/article/details/126952959
從cross-segment到seqModel:
https://blog.csdn.net/v_JULY_v/article/details/135386202

?著作權歸作者所有,轉載或內容合作請聯系作者
  • 序言:七十年代末船逮,一起剝皮案震驚了整個濱河市顾腊,隨后出現的幾起案子,更是在濱河造成了極大的恐慌挖胃,老刑警劉巖杂靶,帶你破解...
    沈念sama閱讀 211,290評論 6 491
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件梆惯,死亡現場離奇詭異,居然都是意外死亡吗垮,警方通過查閱死者的電腦和手機垛吗,發(fā)現死者居然都...
    沈念sama閱讀 90,107評論 2 385
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來烁登,“玉大人怯屉,你說我怎么就攤上這事《祝” “怎么了锨络?”我有些...
    開封第一講書人閱讀 156,872評論 0 347
  • 文/不壞的土叔 我叫張陵,是天一觀的道長捷泞。 經常有香客問我足删,道長寿谴,這世上最難降的妖魔是什么锁右? 我笑而不...
    開封第一講書人閱讀 56,415評論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮讶泰,結果婚禮上咏瑟,老公的妹妹穿的比我還像新娘。我一直安慰自己痪署,他們只是感情好码泞,可當我...
    茶點故事閱讀 65,453評論 6 385
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著狼犯,像睡著了一般余寥。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上悯森,一...
    開封第一講書人閱讀 49,784評論 1 290
  • 那天宋舷,我揣著相機與錄音,去河邊找鬼瓢姻。 笑死祝蝠,一個胖子當著我的面吹牛,可吹牛的內容都是我干的幻碱。 我是一名探鬼主播绎狭,決...
    沈念sama閱讀 38,927評論 3 406
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼褥傍!你這毒婦竟也來了儡嘶?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 37,691評論 0 266
  • 序言:老撾萬榮一對情侶失蹤恍风,失蹤者是張志新(化名)和其女友劉穎社付,沒想到半個月后承疲,有當地人在樹林里發(fā)現了一具尸體,經...
    沈念sama閱讀 44,137評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡鸥咖,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 36,472評論 2 326
  • 正文 我和宋清朗相戀三年燕鸽,在試婚紗的時候發(fā)現自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片啼辣。...
    茶點故事閱讀 38,622評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡啊研,死狀恐怖,靈堂內的尸體忽然破棺而出鸥拧,到底是詐尸還是另有隱情党远,我是刑警寧澤,帶...
    沈念sama閱讀 34,289評論 4 329
  • 正文 年R本政府宣布富弦,位于F島的核電站沟娱,受9級特大地震影響,放射性物質發(fā)生泄漏腕柜。R本人自食惡果不足惜济似,卻給世界環(huán)境...
    茶點故事閱讀 39,887評論 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望盏缤。 院中可真熱鬧砰蠢,春花似錦、人聲如沸唉铜。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,741評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽潭流。三九已至竞惋,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間灰嫉,已是汗流浹背拆宛。 一陣腳步聲響...
    開封第一講書人閱讀 31,977評論 1 265
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留熬甫,地道東北人胰挑。 一個月前我還...
    沈念sama閱讀 46,316評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像椿肩,于是被迫代替她去往敵國和親瞻颂。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 43,490評論 2 348

推薦閱讀更多精彩內容