使用LlamaIndex实现语义分块

使用LlamaIndex实现语义分块

在文本处理和自然语言处理领域，如何有效地对文档进行分块是一个关键问题。传统的分块方法通常使用固定的块大小，但这种方法在处理语义复杂的文本时可能不够精准。本文将介绍如何使用LlamaIndex和语义分块（Semantic Chunking）技术，通过自适应选择断点来进行文本分块，从而确保每个“块”中的句子在语义上是相关的。

什么是语义分块

语义分块是Greg Kamradt在其视频教程中提出的新概念。与传统的固定大小分块不同，语义分块通过嵌入相似性自适应地选择句子之间的断点，以确保一个“块”内的句子在语义上是相关的。

我们将这个概念集成到了LlamaIndex模块中。

安装必要的库

首先，我们需要安装一些必要的库：

%pip install llama-index-embeddings-openai

下载示例数据

我们从互联网下载示例文档。这里以Paul Graham的一篇文章为例：

!wget 'https://raw.githubusercontent.com/run-llama/llama_index/main/docs/docs/examples/data/paul_graham/paul_graham_essay.txt' -O 'pg_essay.txt'

加载文档数据

使用SimpleDirectoryReader类加载文档数据：

from llama_index.core import SimpleDirectoryReader

# 加载文档
documents = SimpleDirectoryReader(input_files=["pg_essay.txt"]).load_data()

定义语义分块器

通过使用嵌入模型来自适应地进行语义分块：

from llama_index.core.node_parser import (
    SentenceSplitter,
    SemanticSplitterNodeParser,
)
from llama_index.embeddings.openai import OpenAIEmbedding

import os

os.environ["OPENAI_API_KEY"] = "sk-..."

embed_model = OpenAIEmbedding()
splitter = SemanticSplitterNodeParser(
    buffer_size=1, breakpoint_percentile_threshold=95, embed_model=embed_model
)

# 也定义基线分块器
base_splitter = SentenceSplitter(chunk_size=512)

nodes = splitter.get_nodes_from_documents(documents)

检查分块结果

让我们来看一下语义分块产生的结果：

# 打印第一个块内容
print(nodes[1].get_content())

输出示例（第1块内容）：

I didn't write essays. I wrote what beginning writers were supposed to write then, and probably still are: short stories...

与基线分块对比

我们使用固定块大小的分块方法来对比：

base_nodes = base_splitter.get_nodes_from_documents(documents)
print(base_nodes[2].get_content())

设置查询引擎

初始化向量存储索引和查询引擎：

from llama_index.core import VectorStoreIndex

vector_index = VectorStoreIndex(nodes)
query_engine = vector_index.as_query_engine()

base_vector_index = VectorStoreIndex(base_nodes)
base_query_engine = base_vector_index.as_query_engine()

运行查询

运行一些查询对比效果：

response = query_engine.query(
    "Tell me about the author's programming journey through childhood to college"
)

print(str(response))

输出示例（查询结果）：

The author's programming journey began in childhood when computers were expensive and not easily accessible...

常见问题

1. API Key 未设置错误:

   • 请确保在代码中正确设置了OPENAI_API_KEY环境变量。

2. 网络问题:

   • 如果在下载示例数据时出现网络问题，请检查网络连接，或者手动下载数据文件。

3. 分块效果不佳:

   • 如果分块效果不理想，可以尝试调整breakpoint_percentile_threshold参数。

参考资料:

• YouTube 视频教程
• LlamaIndex 官方文档

如果你觉得这篇文章对你有帮助,请点赞,关注我的博客,谢谢!