筆者在前期文章中總結(jié)了RAG的分塊《RAG常見(jiàn)13種分塊策略大總結(jié)（一覽表）》，本文介紹一個(gè)語(yǔ)義分段的工作，該工作解決的問(wèn)題是文本語(yǔ)義分割，即將文檔分割成多個(gè)具有連續(xù)語(yǔ)義的段落。傳統(tǒng)方法通常依賴于預(yù)處理文檔以分段來(lái)解決輸入長(zhǎng)度限制問(wèn)題，但這會(huì)導(dǎo)致段間關(guān)鍵語(yǔ)義信息的丟失。RAG系統(tǒng)中的文本分塊方法主要分為基于規(guī)則和基于LLM的方法。

插入一個(gè)思路，其實(shí)，語(yǔ)義分段的方式筆者在很早實(shí)踐過(guò)一個(gè)思路，不管是RAG分塊還是基于規(guī)則分塊，都會(huì)或多或少的都是段落信息，如何通過(guò)語(yǔ)義的方式分割段落？筆者之前的思路最初的想法來(lái)源于序列標(biāo)注模型，那么是否能應(yīng)用序列標(biāo)注的方法，來(lái)預(yù)測(cè)文本行之間的跳轉(zhuǎn)概率？答案是肯定的，以pdf為例，具體實(shí)施步驟如下： 先放上筆者之前的老圖：

標(biāo)注方式

1. 從pdf讀取程序或ocr引擎中得到文本行及其坐標(biāo)；
2. 使用神經(jīng)網(wǎng)絡(luò)對(duì)第i行的文本進(jìn)行編碼，得到文本嵌入向量text_emb(i)；
3. 提取對(duì)應(yīng)行的圖像，得到圖像嵌入向量img_emb(i)；
4. 提取字號(hào)、文字長(zhǎng)度特征，并進(jìn)行歸一化得到特征向量；
5. 聚合步驟2、3、4得到的向量，得到行嵌入line_emb(i)；
6. 使用神經(jīng)網(wǎng)絡(luò)對(duì)行向量序列[line_emb(i)]進(jìn)行序列標(biāo)注。

整體方案流程圖如下：

圖片

接下來(lái)，本文介紹的方法有異曲同工之處，也是采用序列標(biāo)注的方式進(jìn)行，供參考。

方法-CrossFormer

圖片

任務(wù)定義

文檔預(yù)處理

圖片

由于文本語(yǔ)義分割任務(wù)通常涉及長(zhǎng)文檔，需要采用適當(dāng)?shù)慕７椒▉?lái)有效處理這些文檔。論文中采用了截?cái)嗪头侄蔚姆椒?。步驟如下：

跨段融合模塊 (CSFM)

CSFM 是 CrossFormer 的核心組件，用于增強(qiáng)文檔段之間的語(yǔ)義連貫性。原理如下：

訓(xùn)練模型使用交叉熵?fù)p失函數(shù)即可。

通過(guò)這種方式，CSFM 能夠有效地捕捉文檔段之間的語(yǔ)義依賴關(guān)系，提高分割性能。

CrossFormer 作為 RAG 文本塊分割器

圖片

CrossFormer 可以作為RAG系統(tǒng)中的文本塊分割器，生成更具語(yǔ)義連貫性的文本塊。流程如下：

流程圖

1. 分割長(zhǎng)文檔：首先使用 CrossFormer 對(duì)輸入文檔進(jìn)行分割，生成一系列文本塊。
2. 長(zhǎng)度評(píng)估：評(píng)估每個(gè)文本塊的長(zhǎng)度。如果長(zhǎng)度超過(guò)預(yù)設(shè)閾值，則將其輸入分割隊(duì)列進(jìn)行進(jìn)一步處理，直到確定不需要額外分割或文本塊長(zhǎng)度低于指定閾值。
3. 檢索和生成：使用分割后的文本塊進(jìn)行檢索和生成。通過(guò)檢索器和問(wèn)題提示進(jìn)行相關(guān)性檢索，生成上下文，并將其輸入到LLM中以獲得最終答案。

局限性

• CrossFormer不能精確控制文本塊長(zhǎng)度的上限。因此，可能需要結(jié)合基于規(guī)則的方法來(lái)輸出合適的長(zhǎng)度。
• 作為線性文本語(yǔ)義分割模型，CrossFormer不能輸出部分重疊的文本塊，這在RAG系統(tǒng)的某些場(chǎng)景中是必需的。

實(shí)驗(yàn)效果

文本語(yǔ)義分割的結(jié)果

在RAG基準(zhǔn)測(cè)試上的結(jié)果

圖片

參考文獻(xiàn)：CrossFormer: Cross-Segment Semantic Fusion for Document Segmentation，https://arxiv.org/pdf/2503.23671v1