🎯文本切分分为五个层级，包括字符长度切分、通过分隔符切分并递归合并、针对不同文档格式切分、语义切分及使用代理实现自动切分

💻基于向量模型的语义切分工作原理是通过查找任意两个句子之间的向量差异来确定何时分隔句子，当差异超过某个阈值时进行拆分

📏在语义切分中，控制切分粒度的方法有多种，如基于百分位数、标准差、四分位距、梯度等，这些方法由kwarg的breakpoint_threshold_type控制

哎呀AIYA 2024-09-02 10:30 湖北

之前的文章提到，我们将文本切分划分为五个层级，并介绍了前三个层级的实现和一些基础知识。本篇文章开始，我们将介

之前的文章提到，我们将文本切分划分为五个层级，并介绍了前三个层级的实现和一些基础知识。本篇文章开始，我们将介绍第四层级的内容语义切分；本篇文章将介绍基于向量模型的语义切分。

文本切分五个层级：

Level 1: Character Splitting - 简单的字符长度切分

Level 2: Recursive Character Text Splitting - 通过分隔符切分，然后递归合并

Level 3: Document Specific Splitting - 针对不同文档格式切分 (PDF, Python, Markdown)

Level 4: Semantic Splitting - 语义切分

Level 5: Agentic Splitting-使用代理实现自动切分

这个 切分器 的工作原理是确定何时分隔句子。这是通过查找任意两个句子之间的向量差异来完成的。当该差异超过某个阈值时，它们将被拆分。后面演示它是怎么实现的：

搭建语义切分流程

数据加载

# This is a long document we can split up.with open("state_of_the_union.txt") as f:    state_of_the_union = f.read()

创建拆分器

要实例化 SemanticChunker，我们必须指定一个嵌入模型。下面我们将使用 OpenAIEmbeddings，也可以使用自己的模型。

from langchain_experimental.text_splitter import SemanticChunkerfrom langchain_openai.embeddings import OpenAIEmbeddings
text_splitter = SemanticChunker(OpenAIEmbeddings())

拆分文本

docs = text_splitter.create_documents([state_of_the_union])print(docs[0].page_content)

这样我们就完成了基于向量的语义切分；下面介绍其参数控制：

‍切分的几种形式

在切分的过程中，我们怎么控制切分的粒度？有几种方法可以确定该阈值是什么？这些方法可以由kwarg的breakpoint_threshold_type控制。

百分比

默认的拆分方式是基于百分位数。在这种方法中，计算句子之间的所有差异，然后拆分任何大于 X 百分位数的差异。

text_splitter = SemanticChunker(             OpenAIEmbeddings(),             breakpoint_threshold_type="percentile")docs = text_splitter.create_documents([state_of_the_union])print(docs[0].page_content)

print(len(docs))

# 26

标准差

在此方法中，任何大于 X 个标准差的差值都将被拆分。

text_splitter = SemanticChunker(             OpenAIEmbeddings(),             breakpoint_threshold_type="standard_deviation")docs = text_splitter.create_documents([state_of_the_union])print(docs[0].page_content)

print(len(docs))

# 4

四分位距

在这种方法中，四分位数距离用于分割块。

text_splitter = SemanticChunker(           OpenAIEmbeddings(),           breakpoint_threshold_type="interquartile")docs = text_splitter.create_documents([state_of_the_union])print(docs[0].page_content)

print(len(docs))

# 25

梯度

在这种方法中，距离的梯度与百分位数方法一起用于分割块。当块彼此高度相关或特定于某个领域时，此方法非常有用。这个想法是在梯度数组上应用异常检测，使分布变得更宽，并且易于识别高度语义数据中的边界。

text_splitter = SemanticChunker(             OpenAIEmbeddings(),             breakpoint_threshold_type="gradient")docs = text_splitter.create_documents([state_of_the_union])print(docs[0].page_content)

print(len(docs))

26

以上介绍了langchain基于向量的语义切分实现，后续将介绍具体的算法实现和其它语义切分方式，敬请期待。

如果对内容有什么疑问和建议可以私信和留言，也可以添加我加入大模型交流群，一起讨论大模型在创作、RAG和agent中的应用。

好了，这就是我今天想分享的内容。如果你对大模型应用感兴趣，别忘了点赞、关注噢~

往期推荐

RAG数据集自动构造探索, 附PROMPT

支持大模型流式输出的JSON提取工具

高级 RAG实战：召回更好的片段Query扩展

 RAG：Langchain中使用自己的LLM大模型

跳转微信打开