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%
deepseek使用openai进行数据训练的?
python如何对长篇文章进行语义分块?
FAISS如何使用openai进行embedding向量相似查询?
mxbai-embed-large与HuggingFaceEmbeddings离线向量embedding哪个更好?
如何使用mxbai-embed-large+deepseek r1实现本地离线rag文档ai问答?
有没有开源的企业rag离线问答ai助手系统?
python如何实现ai为文章配图,包括段落图与封面图?
python如何提取抖音短视频的文案?
python如何为视频添加不同的文字字幕样式?
有没有挂载远程gpu算力到本地只有cpu的电脑上使用的工具?