大模型RAG问答中的文档分段策略回顾：兼并看LumberChunker动态分块思想

今天是2024年6月27日，星期四，北京，天气晴。

今天我们主要看RAG中很重要的问题，即文档分段，先来看看文档分段的现有几个思路，然后看看基于大模型进行动态分块的LumberChunker思想

供大家一起参考，问题都很有趣。

问题1:文档分段的现有几个思路回顾

昨天，我们谈了句子分段，我们再来回顾一下段落的分段方法，目前已经有其他方案，图来自于：https://www.rungalileo.io/blog/mastering-rag-advanced-chunking-techniques-for-llm-applications，可以看到其中的一些优劣势；‍‍‍‍‍‍‍‍‍‍‍

例如：

1、递归分块：文档根据段落分隔符、新行、空格和单个字符等分隔符的层级进行分割，使用Langchain的RecursiveCharacterTextSplitter函数(https://api.python.langchain.com/en/latest/character/langchain_text_splitters.character.RecursiveCharacterTextSplitter.html)。

2、语义分块：段落块被嵌入了OpenAI的text-ada-embedding-002。通过识别相邻块嵌入距离发生显著变化的断点来分割文本，如果两个连续段落的嵌入向量之间的距离超过了某个阈值，这可能表明它们在语义上有很大的不同，因此可以在这个位置设置断点。当然，这个的核心点在于阈值。

一旦确定了断点，就可以根据这些断点将文本分割成独立的块。每个块在语义上相对独立，但可能仍然与前一个或后一个块有联系。这对于在更大的文本体中识别连贯且相关的信息块非常有用。

这块可以参考：https://github.com/agamm/semantic-split

3、命题分块：这其实已经是基于大模型的方式来切分了。文本按照论文 《Dense X Retrieval》（https://arxiv.org/abs/2312.06648） 中介绍的方式进行分割，其是一种新的检索单元——命题（proposition），就是将一个文本送入到chagpt等大模型中，生成命题，，核心在于prompt的设计：

然后，在检索生成阶段，将其作为混合来源之一参与召回。

问题2:基于大模型进行动态分块的LumberChunker思想

而针对较长规模的叙事文本而言，也有另一个工作，《LumberChunker: Long-Form Narrative Document Segmentation》(https://arxiv.org/pdf/2406.17526) 这个工作提出了一个名为LumberChunker的文本分割方法，利用大型语言模型（LLM）动态地将长篇叙事文档分割成语义独立的部分。

我们可以重点看几个点：

1、先看实现思想

这种方法的核心思想是，通过允许内容块具有动态大小，可以更好地捕捉内容的语义独立性，从而提高检索效率。LumberChunker通过迭代地提示LLM，在一系列连续段落中识别内容开始转变的点，确保每个分割后的块在语义上是连贯的，但与相邻块有所区别，从而增强了信息检索的有效性。

如下图所示，LumberChunker遵循一个三步流程。

首先，按段落对文档进行分割。将目标文档按照段落进行分割，每个段落被赋予一个唯一的递增ID编号。

其次，通过追加连续的块，创建一个组（Gi），直到超过预定义的标记计数θ；将这些段落按顺序串联起来，直到它们的总标记数超过预定义的阈值θ。

值得注意的是，这个阈值θ是一个经验值，旨在避免将相关较大的段落分割开，同时确保它不会太大以至于用过多的上下文超出模型最大长度，影响其推理准确性。例如，实验表明，θ=550时，LumberChunker在所有测试的k值上都达到了最高的DCG@k得分，表明大约550个标记的提示在捕获上下文和段落长度之间实现了有效平衡。

最后，将段落组合Gi作为输入提供给LLM（例如Gemini 1.0-Pro），并指示LLM找出Gi中内容与前文显著不同的特定段落。这种检测标志着一个块的结束。

这个的细节在于prompt的设计：

文档继续以循环方式被分割成块，每个新的Gi+1组的起始点是前一次迭代中识别出的段落。这个过程在整个文档中重复进行。

2、再看其实现效果

为了评估LumberChunker的性能，作者们创建了一个新的基准测试GutenQA，它包含3000对问题-答案对，这些数据对是从Project Gutenberg网站上的100本公共领域叙事书籍中手动提取的。

其中关于其RAG的设计框架也有一些借鉴的点：

构建了一个特别为传记类书籍量身定制的基于RAG的问答流程，采用了一种混合检索格式，结合了OpenAI text-ada-embedding-002密集嵌入和BM25。

如图4所示：

1）查询路由和文档集成（Query Routing and Document Integration）： 每个查询都经过一个检测器的评估，该检测器识别人名或事件的提及。如果检测器在查询中识别到相关提及，使用BM25算法检索前3个最相关的块。

如果没有检测到相关提及（承认偶尔的检测器失败），则作为预防措施检索单个文档。

同时，通过密集检索机制检索前15个块。这一步旨在通过访问BM25可能错过的深层语义关系来提高检索质量。

此外，其还实现了BM25检索的文档和密集检索的文档之间的交集检查，并删除了BM25中的重叠文档以避免冗余。然后，将BM25检索到的排名最高的文档优先放置在检索列表的顶部，第二和第三个（如果有的话）放在最后，确保检索策略的混合。

2）文档重新排序和重新排名（Document Re-Ordering and Re-Ranking）：检索到的块被集成到ChatGPT（gpt-3.5-turbo）的上下文窗口中。如果上下文包含六个或更多的块，则采用一种策略，从中间点开始反转块的顺序。 这种重新排序旨在潜在地最小化模型的“中间丢失”问题，即模型对于长上下文中位于中间位置的信息的性能下降，但开始朝着末端恢复，形成一个U形的性能曲线。然后提示ChatGPT根据它们与查询的相关性递减来识别和重新排序文档。

3）最终答案生成（Final Answer Generation）：在这最后一步生成响应。模型确定的前5个文档被保留用于最终答案生成。模型从顶级文档中综合信息，形成一个连贯且上下文准确的答案，旨在全面解决查询。

实验结果表明，LumberChunker在检索性能上超越了其他竞争性基线方法7.37%（在DCG@20指标上），并且当集成到RAG（检索增强生成）流程中时，LumberChunker证明比其他分块方法和竞争性基线（例如Gemini 1.5M Pro）更有效。

3、最终看看其方案评价

但是，其缺陷也很明显。正如该工作所说的，LumberChunker的局限性，包括它需要使用LLM，这使得它比其他传统方法更昂贵和更慢。

此外，LumberChunker是为叙事文本设计的，这些文本结构松散，能从语义文本解释中受益。然而，在处理像法律领域这样高度结构化的文本时，LumberChunker可能是一个过于复杂的解决方案。

代码：https://github.com/joaodsmarques/LumberChunker