描述 #

语义文本分块处理器 - 基于句子相似度的智能文本切分解决方案

核心功能 #

• 语义分块策略
  • 基于句子相似度的智能切分
  • 结合语义与语法规则
  • 重叠优化保持上下文连贯性
• 支持中英文混合文本
  • 支持中英文字符和标点
  • 智能识别句子边界

技术实现 #

• 分块引擎
  • LlamaIndex：使用语义分割节点解析器
  • HuggingFace：使用预训练嵌入模型计算句子相似度
• 分块算法
  • 基于句子相似度的断点检测
  • 支持自定义断点阈值

算子参数 #

输入 #

输出 #

算子返回一个列表（List[str]），其中每个元素是根据语义切分后的一个文本块。
如果输入文本为空值（None），则算子返回一个空列表（[]）。

参数 #

如参数没有默认值，则为必填参数

调用示例 #

下面的代码展示了如何在 Daft 中调用 ChunkTextSentenceSimilarity 算子对文本进行语义切分。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.text.chunk_text_sentence_similarity import ChunkTextSentenceSimilarity
from daft.las.functions.udf import las_udf

if __name__ == "__main__":
    if os.getenv("DAFT_RUNNER", "native") == "ray":
        import logging

        import ray

        def configure_logging():
            logging.basicConfig(
                level=logging.INFO,
                format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
                datefmt="%Y-%m-%d %H:%M:%S.%s".format(),
            )
            logging.getLogger("tracing.span").setLevel(logging.WARNING)
            logging.getLogger("daft_io.stats").setLevel(logging.WARNING)
            logging.getLogger("DaftStatisticsManager").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaScheduler").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaDispatcher").setLevel(logging.WARNING)

        ray.init(dashboard_host="0.0.0.0", runtime_env={"worker_process_setup_hook": configure_logging})
        daft.context.set_runner_ray()
    daft.set_execution_config(actor_udf_ready_timeout=600)
    daft.set_execution_config(min_cpu_per_task=0)

    samples = {
        "text": [
            """2023年，中国乘用车市场零售总量恢复至疫情前的水平，显示出市场的强劲复苏。新能源乘用车行业同年实现了高质量增长，全年销量超过770万辆，平均每三辆新售乘用车中就有一辆为新能源车型。在政策支持和市场供需的共同推动下，新能源车市场展现出更多市场化特征。预计2024年，这一增长趋势将持续。随着新能源技术和商业模式的不断成熟，乘用车产品正逐步迈入“体验型商品”阶段，消费者在购车时更加关注整体体验，而不仅仅是车辆的社会属性或耐用品属性。
    与此同时，经过多年的快速发展和普及，2023年我国新车金融渗透率出现了首次回落，整体渗透率为56%，较上一年下降2%，新能源车的金融渗透率略低于整体水平。市场竞争日益激烈，加之宏观金融环境的影响，汽车金融领域的价格战愈发激烈。此外，产品同质化、需求多样化满足不足以及渠道模式固化等问题依然存在。研究认为，围绕用户综合体验进行汽车金融服务转型，将成为行业突破瓶颈、实现差异化发展的关键方向。""",
            None,
        ]
    }
    chunk_size = 128
    chunk_overlap = 32
    model_path = os.getenv("MODEL_PATH", "/opt/las/models")
    model_name = "BAAI/bge-m3"

    ds = daft.from_pydict(samples)
    ds = ds.with_column(
        "chunks",
        las_udf(
            ChunkTextSentenceSimilarity,
            construct_args={
                "chunk_size": chunk_size,
                "chunk_overlap": chunk_overlap,
                "model_path": model_path,
                "embedding_model_name": model_name,
                "breakpoint_percentile_threshold": 80,
            },
        )(col("text")),
    )

    ds.show()

    # ╭─────────────────────────────────────────────────────────┬────────────────────────────────────────────────────────╮
    # │ text                                                    ┆ chunks                                                 │
    # │ ---                                                     ┆ ---                                                    │
    # │ Utf8                                                    ┆ List[Utf8]                                             │
    # ╞═════════════════════════════════════════════════════════╪════════════════════════════════════════════════════════╡
    # │ 2023年，中国乘用车市场零售总量恢复至疫情前的水平，显示… ┆ [2023年，中国乘用车市场零售总量恢复至疫情前的水平，显… │
    # ├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
    # │ None                                                    ┆ []                                                     │
    # ╰─────────────────────────────────────────────────────────┴────────────────────────────────────────────────────────╯