langchain_experimental.text_splitter.SemanticChunker

class langchain_experimental.text_splitter.SemanticChunker(embeddings: Embeddings, buffer_size: int = 1, add_start_index: bool = False, breakpoint_threshold_type: Literal['percentile', 'standard_deviation', 'interquartile', 'gradient'] = 'percentile', breakpoint_threshold_amount: Optional[float] = None, number_of_chunks: Optional[int] = None, sentence_split_regex: str = '(?<=[.?!])\\s+')

根据语义相似度来分割文本。

改编自Greg Kamradt的出色笔记本：https://github.com/FullStackRetrieval-com/RetrievalTutorials/blob/main/tutorials/LevelsOfTextSplitting/5_Levels_Of_Text_Splitting.ipynb

所有荣誉归他所有。

从高层次来说，这个功能首先将文本分割成句子，然后分成三个句子的组，然后合并那些在嵌入空间中相似的句子。

方法

__init__(embeddings[, buffer_size, ...])
atransform_documents(documents, **kwargs)	异步转换文档列表。
create_documents(texts[, metadatas])	从文本列表创建文档。
split_documents(documents)	分割文档。
split_text(text)
transform_documents(documents, **kwargs)	通过分割文档来转换文档序列。

参数

• embeddings (Embeddings) –

• buffer_size (int) –

• add_start_index (bool) –

• breakpoint_threshold_type (Literal['percentile', 'standard_deviation', 'interquartile', 'gradient']) –

• breakpoint_threshold_amount (Optional[float]) –

• number_of_chunks (Optional[int]) –

• sentence_split_regex (str) –

__init__(embeddings: Embeddings, buffer_size: int = 1, add_start_index: bool = False, breakpoint_threshold_type: Literal['percentile', 'standard_deviation', 'interquartile', 'gradient'] = 'percentile', breakpoint_threshold_amount: Optional[float] = None, number_of_chunks: Optional[int] = None, sentence_split_regex: str = '(?<=[.?!])\\s+')

参数

• embeddings (Embeddings) –

• buffer_size (int) –

• add_start_index (bool) –

• breakpoint_threshold_type (Literal['percentile', 'standard_deviation', 'interquartile', 'gradient']) –

• breakpoint_threshold_amount (Optional[float]) –

• number_of_chunks (Optional[int]) –

• sentence_split_regex (str) –

async atransform_documents(documents: Sequence[Document], **kwargs: Any) → Sequence[Document]

异步转换文档列表。

参数

• documents （Sequence[Document]）－待转换的文档序列。

• kwargs （Any）－

返回结果

转换后的文档序列。

返回类型

Sequence[Document]

create_documents(texts: List[str], metadatas: Optional[List[dict]] = None) → List[Document]

从文本列表创建文档。

参数

• texts （List[str]）－

• metadatas （Optional[List[dict]]）－

返回类型

List[Document]

split_documents(documents: Iterable[Document]) → List[Document]

分割文档。

参数

文档 (可迭代列表Document]) –

返回类型

List[Document]

split_text(text: str) → List[str]

参数

text (字符串) –

返回类型

字符串列表

transform_documents(documents: Sequence[Document], **kwargs: Any) → Sequence[Document]

通过分割文档来转换文档序列。

参数

• documents (序列列表Document) –

• kwargs （Any）－

返回类型

Document序列

使用SemanticChunker的示例

• 如何根据语义相似度分割文本