python如何对长篇文章进行语义分块?
比如一篇小说上万字,对其进行分段分块,方便rag搜索
网友回复
在Python中对长篇文章进行语义分块是一个涉及自然语言处理(NLP)技术的任务,以下是分步实现的详细方法和代码示例:
一、核心思路语义分块的目标是将文本划分为 语义连贯的段落,而非简单的固定长度切割。主要方法分为两类:
基于规则的方法(快速但需领域适配)基于深度学习的方法(准确但计算成本较高)二、基于规则的分块方法1. 句子分割+上下文合并import spacy
def semantic_chunking_rule(text, max_chunk_size=500):
nlp = spacy.load("zh_core_web_sm") # 中文模型
doc = nlp(text)
chunks = []
current_chunk = []
current_length = 0
for sent in doc.sents:
sent_length = len(sent.text)
if current_length + sent_length <= max_chunk_size:
current_chunk.append(sent.text)
current_length += sent_length
else:
chunks.append(" ".join(current_chunk))
current_chunk = [sent.text]
current_length = sent_length
if current_chunk:
chunks.append(" ".join(current_chunk))
return chunks
# 使用示例
text = "长篇文章内容..."
chunks = semantic_chunking_rule(text) 2. 主题关键词分块 from collections import defaultdict
def keyword_based_chunking(text, keywords=["然而", "总之", "综上所述"]):
chunks = []
buffer = []
for paragraph in text.split("\n"):
buffer.append(paragraph)
if any(keyword in paragraph for keyword in keywords):
chunks.append("\n".join(buffer))
buffer = []
if buffer:
chunks.append("\n".join(buffer))
return chunks 三、基于深度学习的分块方法1. 使用Sentence Transformers计算相似度 from sentence_transformers import SentenceTransformer
import numpy as np
model = SentenceTransformer('paraphrase-multilingual-mpnet-base-v2')
def semantic_split(te...点击查看剩余70%
linux stream如何限制单个目录最大容量?
哪有免费的千问qwen3.6-plus的api可以使用?
python如何自动根据视频图片等素材自动按照要求剪辑视频生成剪映草稿?
gemma4与开源的qwen3.5哪个更厉害?
wan2.7 video与seedance2哪个更好?
claude code 51万行代码泄露被迫开源在哪能找到源码?
有没有免费的虚拟局域网工具可以将互联网设备组成一个大的局域网?
全球顶尖大模型这么强,为啥AGI 测试集体溃败 人类满分 AI 最高仅 0.37%?
听说字节seedance3的视频生成长度可达到10分钟?
谷歌的TurboQuant是不是真的?


