向量化多源文本时,如何做好文本分割? - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
LuffyPro
V2EX    机器学习

向量化多源文本时,如何做好文本分割?

  •  
  •   LuffyPro 2024-01-09 11:13:21 +08:00 1476 次点击
    这是一个创建于 707 天前的主题,其中的信息可能已经有所发展或是发生改变。
    • 项目想读取多种类型的文本,比如 doc,md,xlsx 等文件的内容
    • 将其向量化后,存储到向量数据库

    请问大家是如何做文本分割的,当然这里不是指简单的字符分割,而是如何将他们合理的分割后存到向量数据库,以便于提高知识库的匹配精准度。谢谢回复。

    5 条回复    2024-02-29 20:10:28 +08:00
    Haku
        1
    Haku  
       2024-01-11 11:35:28 +08:00
    人肉分割。别笑,我们公司就是这么干的,效果不说有多好,但是起码比机械地按句子标点符号啥的分割要好很多。

    一定要程序来分割的话,可以直接交给 AI 然后按照语义分割试试。
    LuffyPro
        2
    LuffyPro  
    OP
       2024-01-29 10:58:55 +08:00
    谢谢回复,确实,感觉绝大部分 ai 应用还是专用型,专用型一般是特定场景,语义分割时的约束比较好定义,人工分割也简单些,比较适合初期落地。
    这是我找到的别人的回复: https://zhuanlan.zhihu.com/p/673906072 ,共勉。
    PS:新号 注册 15 天后才能回复
    shm7
        3
    shm7  
       2024-02-27 17:23:29 +08:00
    按照句子分割,再长的按照分句分割。中英那么多标点符号呢。NLPer 的祖传技能了。
    183387594
        4
    183387594  
       2024-02-28 14:02:57 +08:00
    SpacyTextSplitter
    LuffyPro
        5
    LuffyPro  
    OP
       2024-02-29 20:10:28 +08:00
    谢谢大佬们的回复。
    @shm7 主要是想在分割的同时,尽量保留上下文语义关系或者逻辑关系。
    @SpacyTextSplitter 效果怎么样?可惜目前仅看到 py 版本。
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana   &nbp; 4987 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 63ms UTC 01:20 PVG 09:20 LAX 17:20 JFK 20:20
    Do have faith in what you're doing.
    ubao msn snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86