高度な分割方法

LangChainで学ぶ検索拡張生成（RAG）

Meri Nova

Machine Learning Engineer

これまでのチャンキング手法の制限

🤦 単純な分割（コンテキストを考慮しない）
- 周囲のコンテキスト（文脈）を無視する
🖇 文字単位とトークン単位の分割の違い
- モデルがトークン化処理している
- コンテキストウィンドウの上限リスク

→ SemanticChunker

→ TokenTextSplitter

トークンごとのチャンキング

文字数に基づいてテキストをチャンキングうる文字テキストスプリッター。

トークンごとのチャンキング

トークンテキストスプリッターが、トークン数に基づいてテキストをチャンキングしている様子。

トークンごとのチャンキング

トークンがハイライトされており、chunksizeとchunkoverlapの値にどのように対応しているかを示している。

トークンごとのチャンキング

import tiktoken
from langchain_text_splitters import TokenTextSplitter
example_string = "Mary had a little lamb, it's fleece was white as snow."

encoding = tiktoken.encoding_for_model('gpt-4o-mini')
splitter = TokenTextSplitter(encoding_name=encoding.name,
                             chunk_size=10,
                             chunk_overlap=2)


chunks = splitter.split_text(example_string)

for i, chunk in enumerate(chunks):
    print(f"Chunk {i+1}:\n{chunk}\n")

トークンごとのチャンキング

Chunk 1:
Mary had a little lamb, it's fleece

Chunk 2:
 fleece was white as snow.

トークンごとのチャンキング

for i, chunk in enumerate(chunks):
    print(f"Chunk {i+1}:\nNo. tokens: {len(encoding.encode(chunk))}\n{chunk}\n")

Chunk 1:
No. tokens: 10
Mary had a little lamb, it's fleece was

Chunk 2:
No. tokens: 6
 fleece was white as snow.

セマンティックチャンキング

RAGに関する文と犬についての文を含む段落。

セマンティックチャンキング

段落が文字やトークンで分割されているため、コンテキストが失われている

セマンティックチャンキング

セマンティックチャンカーが、話題がRAGから犬に変わる箇所で段落を分割している。

セマンティックチャンキング

from langchain_openai import OpenAIEmbeddings
from langchain_experimental.text_splitter import SemanticChunker


embeddings = OpenAIEmbeddings(api_key="...", model='text-embedding-3-small')


semantic_splitter = SemanticChunker(
    embeddings=embeddings,

    breakpoint_threshold_type="gradient",
    breakpoint_threshold_amount=0.8

)

¹ https://api.python.langchain.com/en/latest/text_splitter/langchain_experimental.text_splitter. SemanticChunker.html

セマンティックチャンキング

chunks = semantic_splitter.split_documents(data)
print(chunks[0])

page_content='Retrieval-Augmented Generation for\nKnowledge-Intensive NLP Tasks\ Patrick Lewis,
Ethan Perez,\nAleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich
Küttler,\nMike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela\nFacebook AI
Research; University College London;New York University;\[email protected]\nAbstract\nLarge
pre-trained language models have been shown to store factual knowledge\nin their parameters,
and achieve state-of-the-art results when ﬁne-tuned on down-\nstream NLP tasks. However, their
ability to access and precisely manipulate knowl-\nedge is still limited, and hence on
knowledge-intensive tasks, their performance\nlags behind task-specific architectures.'
metadata={'source': 'rag_paper.pdf', 'page': 0}

お疲れさまでした！

LangChainで学ぶ検索拡張生成（RAG）