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%
如何修改别人发给我的微信笔记内容?
fbx、obj、glb三维格式模型如何在浏览器中通过three相互转换格式?
python如何实现基于http隧道加密的正向代理服务?
有没有有专门针对 UI 界面截图进行智能标记(Set-of-Mark, SoM) 的开源库和工具?
如何用python实现Set-of-Mark (SoM) 技术?
python如何截取windows指定应用的窗口截图,不用管窗口是不是在最前面?
linux能不能给rm删除命令增加回收站功能,可恢复被删文件?
bfwsoa如何在命令行中执行控制器动作器方法?
RAG(检索增强生成)和 KG(知识图谱)有啥不同?
KVM硬件是啥?


