【AIGC】AI如何匹配RAG知识库:关键词搜索

引言

RAG作为减少模型幻觉和让模型分析、回答私域相关知识最简单高效的方式,我们除了使用之外可以尝试了解其是如何实现的。在实现RAG的过程中,有语义搜索也有关键词搜索,我们这篇文章来用jieba库以及TF-IDF实现关键词搜索RAG。

jieba库简介

jieba(结巴)是一个在Python中广泛使用的分词库,特别适用于中文文本处理。jieba库不仅支持基本的分词功能,还提供了关键词提取、词性标注、命名实体识别等多种功能。在关键词检测领域,jieba库的TF-IDF和TextRank算法被广泛应用于提取文本中的关键词。

TF-IDF简介

TF-IDF(Term Frequency-Inverse Document Frequency)是一种用于信息检索和文本挖掘的常用加权技术。它通过计算词汇在文档中的频率(Term Frequency, TF)和在整个语料库中的逆文档频率(Inverse Document Frequency, IDF),来评估词汇的重要性和相关性。

TF-IDF的计算公式如下:

简单来说关键词出现的次数越多且存在于其他文档中的频率越低,那么这个关键词就越重要。

实践

我们来模拟用户询问问题,模型根据问题从知识库中检索出相关文档,并根据检索到的文档生成回答。

我们假设用户输出是text1,text2中是多个以";"隔开的文档,我们使用jieba库分割关键词并使用TF-IDF去实现关键词搜索RAG,搜索text2中最适配text1的文档。

例子

python 复制代码
# Example text
text = "发到顺丰"

# Example text2
text2 = "您好,是您拨打的客服电话吗;你好,我的这个货想要通过顺丰去发;订单号发我一下;xxxxxx;好的我这边给您发顺丰"

用jieba库提取关键词

python 复制代码
# 切割 text2 并将其作为文档
documents = text2.split(';')

# 提取关键词的函数
def extract_keywords(text):
    return jieba.analyse.extract_tags(text)

# 提取查询关键词
query_keywords = extract_keywords(text)

# 提取文档关键词
documents_keywords = [extract_keywords(doc) for doc in documents]

计算TF-IDF

各自计算查询关键词和文档关键词的TF-IDF为之后计算余弦相似度进行准备

python 复制代码
# 计算查询关键词的词频 (TF)
query_keyword_counts = Counter(query_keywords)

# 总文档数
total_documents = len(documents)

# 计算所有关键词的逆文档频率 (IDF)
all_keywords = set()
for doc_keywords in documents_keywords:
    all_keywords.update(doc_keywords)

keyword_idf = {}
for keyword in all_keywords:
    doc_count_containing_keyword = sum(1 for doc_keywords in documents_keywords if keyword in doc_keywords)
    keyword_idf[keyword] = math.log((1 + total_documents) / (1 + doc_count_containing_keyword)) + 1

# 计算查询关键词的 TF-IDF
query_tfidf = {}
for keyword, count in query_keyword_counts.items():
    tf = count
    idf = keyword_idf.get(keyword, 0)
    query_tfidf[keyword] = tf * idf

# 计算所有文档的 TF-IDF
documents_tfidf = []
for doc_keywords in documents_keywords:
    doc_keyword_counts = Counter(doc_keywords)
    doc_tfidf = {}
    for keyword, count in doc_keyword_counts.items():
        tf = count
        idf = keyword_idf.get(keyword, 0)
        doc_tfidf[keyword] = tf * idf
    documents_tfidf.append(doc_tfidf)

计算文档和查询相似度

通过计算余弦相似度来计算查询词与文档相似度

python 复制代码
# 计算余弦相似度
def cosine_similarity(vec1, vec2):
    intersection = set(vec1.keys()) & set(vec2.keys())
    numerator = sum(vec1[x] * vec2[x] for x in intersection)
    sum1 = sum(vec1[x] ** 2 for x in vec1)
    sum2 = sum(vec2[x] ** 2 for x in vec2)
    denominator = math.sqrt(sum1) * math.sqrt(sum2)
    if not denominator:
        return 0.0
    else:
        return float(numerator) / denominator

# 计算文档与查询的相似度
similarities = []
for doc_tfidf in documents_tfidf:
    similarity = cosine_similarity(query_tfidf, doc_tfidf)
    similarities.append(similarity)

# 按相似度排序并返回结果
sorted_documents = sorted(zip(documents, similarities), key=lambda x: x[1], reverse=True)

# 打印结果
for i, (doc, score) in enumerate(zip(documents, similarities)):
    print(f"Document {i+1}: {doc}\nScore: {score}\n")

结果

Score得分越高,则文档越匹配查询词,可以看到,我们根据关键词搜索,找到了最适配text1的文档,Document 2。

text 复制代码
Document 1: 您好,是您拨打的客服电话吗
Score: 0.0

Document 2: 你好,我的这个货想要通过顺丰去发
Score: 0.4472135954999579

Document 3: 订单号发我一下
Score: 0.0

Document 4: xxxxxx
Score: 0.0

Document 5: 好的我这边给您发顺丰
Score: 0.0

完整代码:

python 复制代码
import jieba
from jieba.analyse import default_tfidf
from collections import Counter
import math

# Example text
text = "发到顺丰"

# Example text2
text2 = "您好,是您拨打的客服电话吗;你好,我的这个货想要通过顺丰去发;订单号发我一下;xxxxxx;好的我这边给您发顺丰"

# 切割 text2 并将其作为文档
documents = text2.split(';')

# 提取关键词的函数
def extract_keywords(text):
    return jieba.analyse.extract_tags(text)

# 提取查询关键词
query_keywords = extract_keywords(text)

# 提取文档关键词
documents_keywords = [extract_keywords(doc) for doc in documents]

# 计算查询关键词的词频 (TF)
query_keyword_counts = Counter(query_keywords)

# 总文档数
total_documents = len(documents)

# 计算所有关键词的逆文档频率 (IDF)
all_keywords = set()
for doc_keywords in documents_keywords:
    all_keywords.update(doc_keywords)

keyword_idf = {}
for keyword in all_keywords:
    doc_count_containing_keyword = sum(1 for doc_keywords in documents_keywords if keyword in doc_keywords)
    keyword_idf[keyword] = math.log((1 + total_documents) / (1 + doc_count_containing_keyword)) + 1

# 计算查询关键词的 TF-IDF
query_tfidf = {}
for keyword, count in query_keyword_counts.items():
    tf = count
    idf = keyword_idf.get(keyword, 0)
    query_tfidf[keyword] = tf * idf

# 计算所有文档的 TF-IDF
documents_tfidf = []
for doc_keywords in documents_keywords:
    doc_keyword_counts = Counter(doc_keywords)
    doc_tfidf = {}
    for keyword, count in doc_keyword_counts.items():
        tf = count
        idf = keyword_idf.get(keyword, 0)
        doc_tfidf[keyword] = tf * idf
    documents_tfidf.append(doc_tfidf)

# 计算余弦相似度
def cosine_similarity(vec1, vec2):
    intersection = set(vec1.keys()) & set(vec2.keys())
    numerator = sum(vec1[x] * vec2[x] for x in intersection)
    sum1 = sum(vec1[x] ** 2 for x in vec1)
    sum2 = sum(vec2[x] ** 2 for x in vec2)
    denominator = math.sqrt(sum1) * math.sqrt(sum2)
    if not denominator:
        return 0.0
    else:
        return float(numerator) / denominator

# 计算文档与查询的相似度
similarities = []
for doc_tfidf in documents_tfidf:
    similarity = cosine_similarity(query_tfidf, doc_tfidf)
    similarities.append(similarity)

# 按相似度排序并返回结果
sorted_documents = sorted(zip(documents, similarities), key=lambda x: x[1], reverse=True)

# 打印结果
for i, (doc, score) in enumerate(zip(documents, similarities)):
    print(f"Document {i+1}: {doc}\nScore: {score}\n")

总结

关键词匹配是RAG搜索中的一个很重要的方法之一,但是关键词匹配的缺点也很明显,就是关键词匹配的召回率很低,因为关键词匹配只匹配了关键词,而没有匹配到关键词的上下文。所以一般需要结合语义搜索去一起进行。

在上面我们的实践中,我们使用jieba库去进行分词,然后通过TF-IDF算法去计算关键词的权重,然后通过余弦相似度去计算文档和查询的相似度,最后通过相似度去排序,返回结果。基本上这个一个比较通用的关键词匹配RAG数据库的方法。

相关推荐
一水鉴天11 分钟前
整体设计 逻辑系统程序 之29 拼语言+ CNN 框架核心定位、三阶段程序与三种交换模式配套的方案讨论 之2
人工智能·神经网络·cnn
海森大数据12 分钟前
AI破解数学界遗忘谜题:GPT-5重新发现尘封二十年的埃尔德什问题解法
人工智能·gpt
望获linux1 小时前
【实时Linux实战系列】Linux 内核的实时组调度(Real-Time Group Scheduling)
java·linux·服务器·前端·数据库·人工智能·深度学习
Dev7z1 小时前
河南特色农产品识别系统:让AI守护“中原味道”
人工智能
万俟淋曦1 小时前
【论文速递】2025年第28周(Jul-06-12)(Robotics/Embodied AI/LLM)
人工智能·ai·机器人·大模型·论文·robotics·具身智能
我是李武涯1 小时前
PyTorch DataLoader 高级用法
人工智能·pytorch·python
每月一号准时摆烂1 小时前
PS基本教学(三)——像素与分辨率的关系以及图片的格式
人工智能·计算机视觉
song150265372982 小时前
全自动视觉检测设备
人工智能·计算机视觉·视觉检测
2501_906519672 小时前
大语言模型的幻觉问题:机理、评估与抑制路径探析
人工智能
ZKNOW甄知科技2 小时前
客户案例 | 派克新材x甄知科技,构建全场景智能IT运维体系
大数据·运维·人工智能·科技·低代码·微服务·制造