最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

Python針對不同文本長度的處理方案總結與對比

 更新時間:2025年02月23日 10:29:34   作者:大霸王龍  
這篇文章主要為大家詳細介紹了Python如何針對不同文本長度的處理方案,結合層次化編碼和檢索優(yōu)化策略,感興趣的小伙伴可以參考一下

直接上代碼+注釋

有意嘗試可交流

效果正在驗證中。

1.短文本處理(<500tokens)

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('all-MiniLM-L6-v2')  # 384維小型模型

def process_short(text):
    """直接全文本編碼"""
    return model.encode(text, convert_to_tensor=True)

# 示例
short_text = "自然語言處理的基礎概念"  # 長度約15 tokens
vector = process_short(short_text)

2. 中長文本處理 (500-2000 tokens)

from langchain_text_splitters import RecursiveCharacterTextSplitter

def process_medium(text):
    """重疊分塊策略"""
    splitter = RecursiveCharacterTextSplitter(
        chunk_size=500,
        chunk_overlap=50,
        separators=["\n\n", "\n", "。", "!", "?"]
    )
    chunks = splitter.split_text(text)
    return [model.encode(chunk) for chunk in chunks]

# 示例
medium_text = "機器學習發(fā)展歷史...(約1500字)"  # 約1800 tokens
chunk_vectors = process_medium(medium_text)

3. 長文本處理 (2000-20000 tokens)

import spacy

def process_long(text):
    """語義分塊+摘要增強"""
    # 加載語義分割模型
    nlp = spacy.load("zh_core_web_sm") 
    doc = nlp(text)
    
    # 按段落分割
    chunks = [sent.text for sent in doc.sents]
    
    # 生成章節(jié)摘要
    summary_model = SentenceTransformer('uer/sbert-base-chinese-nli')
    summaries = [summary_model.encode(chunk[:200]) for chunk in chunks]
    
    return chunks, summaries

# 示例
long_text = "人工智能技術白皮書...(約2萬字)"  # 約20000 tokens
text_chunks, summary_vecs = process_long(long_text)

4. 超長文本處理 (20000-200000 tokens)

import faiss
import numpy as np

class HierarchicalIndex:
    def __init__(self):
        # 兩級索引結構
        self.summary_index = faiss.IndexFlatL2(384)
        self.chunk_index = faiss.IndexIVFPQ(
            faiss.IndexFlatL2(384), 384, 100, 16, 8
        )
        self.metadata = []

    def add_document(self, text):
        # 生成段落級摘要
        chunks, summaries = process_long(text)
        
        # 構建索引
        summary_vecs = np.array(summaries).astype('float32')
        chunk_vecs = np.array([model.encode(c) for c in chunks]).astype('float32')
        
        self.summary_index.add(summary_vecs)
        self.chunk_index.add(chunk_vecs)
        self.metadata.extend(chunks)

    def search(self, query, k=5):
        # 先檢索摘要層
        query_vec = model.encode(query).astype('float32')
        _, sum_indices = self.summary_index.search(np.array([query_vec]), 10)
        
        # 精搜相關塊
        target_chunks = [self.chunk_index.reconstruct(i) for i in sum_indices]
        target_chunks = np.array(target_chunks).astype('float32')
        _, chunk_indices = self.chunk_index.search(target_chunks, k)
        
        return [self.metadata[i] for i in chunk_indices]

# 使用示例
hindex = HierarchicalIndex()
hindex.add_document("某領域技術文檔...(約15萬字)")  # 約200000 tokens
results = hindex.search("深度學習在醫(yī)療影像的應用")

5. 海量文本處理 (>200000 tokens)

import dask.dataframe as dd
from dask.distributed import Client

def process_extreme(file_path):
    """分布式處理方案"""
    client = Client(n_workers=4)  # 啟動Dask集群
    
    # 分塊讀取
    df = dd.read_parquet(file_path, chunksize=100000)  
    
    # 并行編碼
    df['vector'] = df['text'].map_partitions(
        lambda s: s.apply(model.encode),
        meta=('vector', object)
    )
    
    # 構建分布式索引
    df.to_parquet("encoded_data.parquet", engine="pyarrow")
    
# 示例(處理100萬條文本)
process_extreme("massive_data.parquet")

性能優(yōu)化對照表=

文本長度處理策略索引類型響應時間內存消耗
<500直接編碼FlatIndex<10ms1MB
2000重疊分塊IVF+PQ50-100ms50MB
20000語義分塊+摘要索引二級索引200-500ms300MB
200000層次化索引IVFOPQ+ProductQuant1-2s2GB
>200000分布式處理分片索引10s+集群資源

關鍵處理技術

  • 滑動窗口:通過chunk_overlap保留上下文連續(xù)性
  • 語義分塊:使用spacy進行句子邊界檢測
  • 層次化索引:摘要層加速粗篩,塊層保證精度
  • 量化壓縮:PQ算法減少內存占用(精度損失

以上就是Python針對不同文本長度的處理方案總結與對比的詳細內容,更多關于Python文本處理的資料請關注腳本之家其它相關文章!

相關文章

  • python實現(xiàn)的web監(jiān)控系統(tǒng)

    python實現(xiàn)的web監(jiān)控系統(tǒng)

    這篇文章主要介紹了python實現(xiàn)的web監(jiān)控系統(tǒng),幫助大家更好的理解和學習使用python,感興趣的朋友可以了解下
    2021-04-04
  • Python3中的json模塊使用詳解

    Python3中的json模塊使用詳解

    這篇文章主要介紹了Python3中的json模塊使用詳解,小編覺得挺不錯的,現(xiàn)在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2018-05-05
  • python獲取指定時間差的時間實例詳解

    python獲取指定時間差的時間實例詳解

    這篇文章主要介紹了python獲取指定時間差的時間實例詳解的相關資料,需要的朋友可以參考下
    2017-04-04
  • Python實現(xiàn)的IP端口掃描工具類示例

    Python實現(xiàn)的IP端口掃描工具類示例

    這篇文章主要介紹了Python實現(xiàn)的IP端口掃描工具類,結合實例形式分析了Python基于socket模塊與多線程操作實現(xiàn)IP端口掃描的相關操作技巧,需要的朋友可以參考下
    2019-02-02
  • python自動化之如何利用allure生成測試報告

    python自動化之如何利用allure生成測試報告

    這篇文章主要給大家介紹了關于python自動化之如何利用allure生成測試報告的相關資料,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
    2021-05-05
  • 解決keras加入lambda層時shape的問題

    解決keras加入lambda層時shape的問題

    這篇文章主要介紹了解決keras加入lambda層時shape的問題,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-06-06
  • Python獲取航線信息并且制作成圖的講解

    Python獲取航線信息并且制作成圖的講解

    今天小編就為大家分享一篇關于Python獲取航線信息并且制作成圖的講解,小編覺得內容挺不錯的,現(xiàn)在分享給大家,具有很好的參考價值,需要的朋友一起跟隨小編來看看吧
    2019-01-01
  • Django利用Cookie實現(xiàn)反爬蟲的例子

    Django利用Cookie實現(xiàn)反爬蟲的例子

    這篇文章主要介紹了Django利用Cookie實現(xiàn)反爬蟲,本文給大家介紹的非常詳細,對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下
    2021-04-04
  • Python plt.boxplot函數(shù)及其參數(shù)使用小結

    Python plt.boxplot函數(shù)及其參數(shù)使用小結

    plt.boxplot函數(shù)用于繪制箱線圖,本文介紹了Python plt.boxplot函數(shù)及其參數(shù)使用小結,文中通過示例代碼介紹的非常詳細,需要的朋友們下面隨著小編來一起學習學習吧
    2024-02-02
  • Python3刪除排序數(shù)組中重復項的方法分析

    Python3刪除排序數(shù)組中重復項的方法分析

    這篇文章主要介紹了Python3刪除排序數(shù)組中重復項的方法,結合實例形式分析了Python3刪除排序數(shù)組重復項的原理、相關遍歷及刪除操作技巧,需要的朋友可以參考下
    2019-01-01

最新評論

托克托县| 高邮市| 敦化市| 偃师市| 和顺县| 伊通| 颍上县| 商城县| 湘潭市| 岳阳市| 普安县| 海丰县| 商南县| 华坪县| 建水县| 柳州市| 涡阳县| 新乡县| 台州市| 大城县| 元朗区| 大埔县| 平湖市| 阿克苏市| 方山县| 康保县| 浏阳市| 金湖县| 铜川市| 马鞍山市| 赤城县| 项城市| 平山县| 商丘市| 马公市| 灵宝市| 牟定县| 和顺县| 云霄县| 吴旗县| 武邑县|