解决大模型幻觉问题的新方案：探索长文本切割的奥秘

一个程序猿的异常

发布于 2024-01-02 16:10:27

2270

发布于 2024-01-02 16:10:27

文章被收录于专栏：一个程序猿的异常一个程序猿的异常

解决大模型幻觉问题的新方案：探索长文本切割的奥秘

在人工智能领域，大模型有时会产生一个被称为“幻觉问题”的现象。在对话过程中，大模型可能会答非所问，生成与用户输入不符、与先前生成的内容矛盾或与已知世界知识不符的内容。这就是所谓的“幻觉问题”。

解决幻觉问题的一个有效办法就是数据投喂，即将知识库文件传递给大模型，让模型从知识库中寻找答案。然而，由于大模型的上下文长度有限，一次性投喂的内容过多会导致超出限制。为了解决这个问题，聪明的开发者们设计了检索增强生成（RAG）架构。

在处理长文本时，一个常见的问题是如何进行有效的切割。今天我们就来讨论一下这个问题。

长文本切割算法

最简单的办法就是固定长度切割，但这可能会导致一个完整的句子被拆分。固定长度+两端扩展在上下文比较连贯的场景下效果较好。但是，这两种方法都有各自的问题。

针对这些问题，我提出了一个新的解决方案：动态切割算法。这个算法设定一个长度范围，在这个范围内寻找代表句子结束的标点符号，并以此作为切割点。如果需要两端扩展，就向前寻找切割点进行切割。

下面是这个算法的具体实现代码：

def split_text(text, min_length=300, max_length=500, overlap_length=0, punctuation_marks="。？！.?!"):
    """
    Splits the text into segments with specified overlap, ensuring that the overlap
    respects sentence-ending punctuation.

    :param text: The text to be split.
    :param min_length: Minimum length of each segment.
    :param max_length: Maximum length of each segment.
    :param overlap_length: Length of overlap between consecutive segments (default 5).
    :param punctuation_marks: String containing punctuation marks to consider for splitting (default "。？！.?!").
    :return: List of text segments.
    """
    segments = []

    start_index = 0
    while start_index < len(text):
        end_index = min(start_index + max_length, len(text))

        # Search for the nearest punctuation mark before the end index
        split_index = -1
        for i in range(end_index - 1, start_index + min_length - 1, -1):
            if text[i] in punctuation_marks:
                split_index = i
                break

        # If no punctuation mark is found, use the end index
        if split_index == -1:
            split_index = end_index - 1

        # Ensure the segment is at least the minimum length
        if split_index - start_index < min_length:
            split_index = start_index + min_length - 1

        segments.append(text[start_index:split_index + 1])

        # Determine the start of the next segment with overlap
        next_start_index = split_index + 1 - overlap_length
        next_start_index = max(next_start_index, 0)

        # Adjust next_start_index to avoid splitting at the middle of a sentence
        if next_start_index < len(text):
            for i in range(next_start_index, split_index):
                if text[i] in punctuation_marks:
                    next_start_index = i + 1
                    break

        start_index = next_start_index

    return segments

这段代码的主要思想是用标点符号作为切割点来进行文本切割。这样可以在保证文本分段连贯的同时，避免出现将完整的句子拆分成两部分的情况。

上面的代码使用GPT4生成，咒语如下：

你是一个高级python开发工程，精通算法设计和python语法规范，请帮我设计一个文本切割算法，请先列出代表句子结束的标点符号，然后用标点符号作为切割点进行切割，文本长度范围在传入的最小和最大范围之间，请给出具体的代码实现

测试效果

我们可以通过以下代码来测试上述算法的效果：

from chunk import split_text
from  down_mp import get_detail_info
example_text = get_detail_info('https://mp.weixin.qq.com/s/kaNDY1CMVbotf8sErw597A')['content']
# Example usage with the same text (includes both Chinese and English punctuation)
segments_v2 = split_text(example_text,min_length=400, max_length=600, overlap_length=0)
for segment in segments_v2:
    print('======= '+segment)
    print()

测试结果如下：