GraphRAG 文本分割优化

2024-08-31 20:36
文章标签 优化 分割 文本 graphrag

本文主要是介绍GraphRAG 文本分割优化,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

GraphRAG 文本分割优化

开始调整对微软的 GraphRAG 进行优化,这次优化有以下几点,

  • ‘�’ 乱码问题
  • 句子在中间被截断的问题
# Copyright (c) 2024 Microsoft Corporation.
# Licensed under the MIT License"""A module containing run and split_text_on_tokens methods definition."""from collections.abc import Iterable
from typing import Anyimport tiktoken
from datashaper import ProgressTickerimport graphrag.config.defaults as defs
from graphrag.index.text_splitting import Tokenizer
from graphrag.index.verbs.text.chunk.typing import TextChunkdef trim_sentence(sentence):# 定义固定的分隔符列表delimiters = [',', '、', '。', '!', '?', ';', ':', '.']# 查找第一个非分隔符的字符位置start_index = 0for i, char in enumerate(sentence):if char in delimiters:start_index = i + 1break# 查找最后一个非分隔符的字符位置end_index = len(sentence)for i in range(len(sentence) - 1, -1, -1):if sentence[i] in delimiters:end_index = i + 1break# 返回修剪后的句子return sentence[start_index:end_index]def run(input: list[str], args: dict[str, Any], tick: ProgressTicker
) -> Iterable[TextChunk]:"""Chunks text into multiple parts. A pipeline verb."""tokens_per_chunk = args.get("chunk_size", defs.CHUNK_SIZE)chunk_overlap = args.get("chunk_overlap", defs.CHUNK_OVERLAP)encoding_name = args.get("encoding_name", defs.ENCODING_MODEL)enc = tiktoken.get_encoding(encoding_name)def encode(text: str) -> list[int]:if not isinstance(text, str):text = f"{text}"return enc.encode(text)def decode(tokens: list[int]) -> str:return enc.decode(tokens)return split_text_on_tokens(input,Tokenizer(chunk_overlap=chunk_overlap,tokens_per_chunk=tokens_per_chunk,encode=encode,decode=decode,),tick,)# Adapted from - https://github.com/langchain-ai/langchain/blob/77b359edf5df0d37ef0d539f678cf64f5557cb54/libs/langchain/langchain/text_splitter.py#L471
# So we could have better control over the chunking process
def split_text_on_tokens(texts: list[str], enc: Tokenizer, tick: ProgressTicker
) -> list[TextChunk]:"""Split incoming text and return chunks."""result = []mapped_ids = []for source_doc_idx, text in enumerate(texts):encoded = enc.encode(text)# print(f"{text=} {encoded=}")# encoded = tiktoken.get_encoding("utf8").encode(text)tick(1)mapped_ids.append((source_doc_idx, encoded))input_ids: list[tuple[int, int]] = [(source_doc_idx, id) for source_doc_idx, ids in mapped_ids for id in ids]start_idx = 0cur_idx = min(start_idx + enc.tokens_per_chunk, len(input_ids))chunk_ids = input_ids[start_idx:cur_idx]while start_idx < len(input_ids):chunk_text = enc.decode([id for _, id in chunk_ids])chunk_text = chunk_text.strip("�")chunk_text = trim_sentence(chunk_text)enc.encode(chunk_text)doc_indices = list({doc_idx for doc_idx, _ in chunk_ids})result.append(TextChunk(text_chunk=chunk_text,source_doc_indices=doc_indices,# n_tokens=len(chunk_ids),n_tokens=len(enc.encode(chunk_text)),))start_idx += enc.tokens_per_chunk - enc.chunk_overlapcur_idx = min(start_idx + enc.tokens_per_chunk, len(input_ids))chunk_ids = input_ids[start_idx:cur_idx]return result

这篇关于GraphRAG 文本分割优化的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1124928

相关文章

Java实现在Word文档中添加文本水印和图片水印的操作指南

《Java实现在Word文档中添加文本水印和图片水印的操作指南》在当今数字时代,文档的自动化处理与安全防护变得尤为重要,无论是为了保护版权、推广品牌,还是为了在文档中加入特定的标识,为Word文档添加... 目录引言Spire.Doc for Java:高效Word文档处理的利器代码实战:使用Java为Wo

从原理到实战解析Java Stream 的并行流性能优化

《从原理到实战解析JavaStream的并行流性能优化》本文给大家介绍JavaStream的并行流性能优化:从原理到实战的全攻略,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的... 目录一、并行流的核心原理与适用场景二、性能优化的核心策略1. 合理设置并行度:打破默认阈值2. 避免装箱

Python实战之SEO优化自动化工具开发指南

《Python实战之SEO优化自动化工具开发指南》在数字化营销时代,搜索引擎优化(SEO)已成为网站获取流量的重要手段,本文将带您使用Python开发一套完整的SEO自动化工具,需要的可以了解下... 目录前言项目概述技术栈选择核心模块实现1. 关键词研究模块2. 网站技术seo检测模块3. 内容优化分析模

Java实现复杂查询优化的7个技巧小结

《Java实现复杂查询优化的7个技巧小结》在Java项目中,复杂查询是开发者面临的“硬骨头”,本文将通过7个实战技巧,结合代码示例和性能对比,手把手教你如何让复杂查询变得优雅,大家可以根据需求进行选择... 目录一、复杂查询的痛点:为何你的代码“又臭又长”1.1冗余变量与中间状态1.2重复查询与性能陷阱1.

Python内存优化的实战技巧分享

《Python内存优化的实战技巧分享》Python作为一门解释型语言,虽然在开发效率上有着显著优势,但在执行效率方面往往被诟病,然而,通过合理的内存优化策略,我们可以让Python程序的运行速度提升3... 目录前言python内存管理机制引用计数机制垃圾回收机制内存泄漏的常见原因1. 循环引用2. 全局变

Python文本相似度计算的方法大全

《Python文本相似度计算的方法大全》文本相似度是指两个文本在内容、结构或语义上的相近程度,通常用0到1之间的数值表示,0表示完全不同,1表示完全相同,本文将深入解析多种文本相似度计算方法,帮助您选... 目录前言什么是文本相似度?1. Levenshtein 距离(编辑距离)核心公式实现示例2. Jac

Python多线程应用中的卡死问题优化方案指南

《Python多线程应用中的卡死问题优化方案指南》在利用Python语言开发某查询软件时,遇到了点击搜索按钮后软件卡死的问题,本文将简单分析一下出现的原因以及对应的优化方案,希望对大家有所帮助... 目录问题描述优化方案1. 网络请求优化2. 多线程架构优化3. 全局异常处理4. 配置管理优化优化效果1.

Python中高级文本模式匹配与查找技术指南

《Python中高级文本模式匹配与查找技术指南》文本处理是编程世界的永恒主题,而模式匹配则是文本处理的基石,本文将深度剖析PythonCookbook中的核心匹配技术,并结合实际工程案例展示其应用,希... 目录引言一、基础工具:字符串方法与序列匹配二、正则表达式:模式匹配的瑞士军刀2.1 re模块核心AP

MySQL中优化CPU使用的详细指南

《MySQL中优化CPU使用的详细指南》优化MySQL的CPU使用可以显著提高数据库的性能和响应时间,本文为大家整理了一些优化CPU使用的方法,大家可以根据需要进行选择... 目录一、优化查询和索引1.1 优化查询语句1.2 创建和优化索引1.3 避免全表扫描二、调整mysql配置参数2.1 调整线程数2.

深入解析Java NIO在高并发场景下的性能优化实践指南

《深入解析JavaNIO在高并发场景下的性能优化实践指南》随着互联网业务不断演进,对高并发、低延时网络服务的需求日益增长,本文将深入解析JavaNIO在高并发场景下的性能优化方法,希望对大家有所帮助... 目录简介一、技术背景与应用场景二、核心原理深入分析2.1 Selector多路复用2.2 Buffer