提高大型语言模型 (LLM) 性能的四种数据清理技术

原文地址：four-data-cleaning-techniques-to-improve-large-language-model-llm-performance

2024 年 4 月 2 日 

检索增强生成（RAG）过程因其增强对大语言模型（LLM）的理解、为它们提供上下文并帮助防止幻觉的潜力而受到欢迎。 RAG 过程涉及几个步骤，从分块摄取文档到提取上下文，再到用该上下文提示 LLM 模型。虽然 RAG 可以显着改善预测，但有时也会导致错误的结果。摄取文档的方式在此过程中起着至关重要的作用。例如，如果我们的“上下文文档”包含LLM的拼写错误或不寻常的字符（例如表情符号），则可能会混淆LLM对所提供上下文的理解。

在这篇文章中，我们将演示如何使用四种常见的自然语言处理 (NLP)技术来清理文本，然后再将文本摄取并转换为块以供LLM进一步处理。我们还将说明这些技术如何显着增强模型对提示的响应。

RAG 过程的步骤改编自RAG-Survey。

为什么清理文档很重要？

在将文本输入任何类型的机器学习算法之前清理文本是标准做法。无论您使用的是监督算法还是无监督算法，甚至是为生成 AI (GAI) 模型构建上下文，使文本保持良好状态都有助于：

确保准确性：通过消除错误并使一切保持一致，您就不太可能混淆模型或最终出现模型幻觉。

提高质量：更清晰的数据确保模型能够使用可靠且一致的信息，帮助我们的模型从准确的数据中进行推断。

促进分析：干净的数据易于解释和分析。例如，使用纯文本训练的模型可能难以理解表格数据。

通过清理我们的数据（尤其是非结构化数据），我们为模型提供了可靠且相关的上下文，从而改进了生成，降低了幻觉的可能性，并提高了 GAI 速度和性能，因为大量信息会导致更长的等待时间。

如何实现数据清洗？

为了帮助您构建数据清理工具箱，我们将探讨四种 NLP 技术以及它们如何帮助模型。

步骤1：数据清洗和降噪

我们将首先删除不提供含义的符号或字符，例如 HTML 标签（在抓取的情况下）、XML 解析、JSON、表情符号和主题标签。不必要的字符通常会混淆模型，并增加上下文标记的数量，从而增加计算成本。

认识到没有一刀切的解决方案&#x