RAG的5种切分策略 [译]

以下是典型的RAG应用工作流程：

RAG：将额外信息存储为向量，将传入的查询与这些向量匹配，并将最相似的信息与查询一起传递给大语言模型（LLM）。

由于额外的文档可能非常大，第1步还需要进行切分操作，将大文档分割成较小、易于管理的部分。

这一步至关重要，它确保文本能够适应嵌入模型的输入大小。此外，它提高了检索步骤的效率和准确性，这直接影响生成响应的质量。

以下是RAG的五种切分策略：

让我们今天来了解它们！

注：昨天我们讨论了如何构建依赖于成对内容相似性的强大NLP系统（RAG是其中之一）。如果错过了，可以阅读这里：句对相似性评分的双编码器和交叉编码器 - 第1部分。

最直观的切分方法是根据预定的字符数、单词数或Token数量将文本均匀分割成若干段落。

由于直接切分可能会破坏语义流畅性，建议在连续段落间保留一些重叠（如上图的蓝色部分）。

这种方法易于实现，而且所有段落大小相同，有助于简化批处理。

但它存在一个大问题：通常会在句子（或想法）中途切分，导致重要信息可能分散在不同段落中。

概念很简单。

根据句子、段落或主题部分等有意义的单元来切分文档。
接着，为每个段落生成嵌入。
假设从第一个段落及其嵌入开始。
- 如果第一个段落的嵌入与第二个段落的嵌入余弦相似度较高，则两个段落组成一个切片。
- 这个过程持续进行，直到余弦相似度显著下降。
- 一旦下降，我们就开始一个新切片并重复此过程。

输出可能如下所示：

这种方式与固定大小切片不同，能够保持语言的自然流畅性，并保留完整的思想。

由于每个切片语义更为丰富，它提高了检索准确度，进而使LLM生成的响应更加连贯且相关。

一个小问题是，确定余弦相似度下降的阈值在不同文档间可能有所不同。

这个方法也非常简单。

首先，基于内在的分隔符（如段落或章节）进行切分。

然后，如果某个切片的大小超过预定义的切片大小限制，就将其进一步分割。如果切片符合大小限制，则不再进行切分。

输出结果可能如下所示：

如上所示：

与固定大小的切片不同，这种方法也保持了语言的自然流畅性，并保留了完整的思想。

不过，在实现和计算复杂性方面有一些额外的开销。

这是一种直观的方法。

利用文档内在的结构（如标题、章节或段落）定义切片边界。

这种方式能保持文档的结构完整性，确保切片与文档的逻辑部分对齐。

该方法假设文档结构清晰，但这可能并非总是如此。此外，切片长度可能不同，甚至超过模型的Token限制。可以尝试与递归切分结合使用。

输出结果可能如下所示：

由于每种方法都有其优缺点，为什么不让LLM来生成切片呢？

LLM可以通过提示词生成语义隔离且有意义的切片。

显然，这种方法确保了高语义准确性，因为LLM能理解上下文和意义，远超简单的启发式方法。

唯一的问题是，这种方式的计算成本是五种方法中最高的。

此外，由于LLM通常有上下文窗口限制，需要对此加以处理。

每种技术都有各自的优劣。

我发现语义切分在许多情况下效果不错，但仍然需要测试。

最终的选择将取决于内容的性质、嵌入模型的能力和计算资源等。

我们很快会进行这些策略的实际操作演示。