V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
V2EX 提问指南
DTCPSS
V2EX  ›  问与答

如何在 30 万个句子中找出特定主题的句子?

  •  
  •   DTCPSS · 168 天前 · 1044 次点击
    这是一个创建于 168 天前的主题,其中的信息可能已经有所发展或是发生改变。
    我有一个 csv 文件,里面有 30 万个句子。
    有没有什么现成的产品,可以做到:我输入 “蔬菜”,它帮我从 csv 文件中找到 “你的番茄是哪里买的?” 之类的和蔬菜相关的句子?
    只是自己用,不是对外提供服务。最好开箱即用,越便宜越好。
    ChatGPT 提示文件过大。QAnything 的回答完全没法用。
    9 条回复    2024-09-02 16:29:23 +08:00
    liprais
        1
    liprais  
       168 天前   ❤️ 1
    rag 了解一下
    TimePPT
        2
    TimePPT  
       168 天前   ❤️ 1
    你这需求如果就举例的那么简单,都不需要大模型,语义向量检索就能满足。
    就是楼上的 RAG 的一部分。
    NickHopps
        3
    NickHopps  
       168 天前
    直接调用 openai 的 api 就可以实现,可以参考这篇文章 https://simonwillison.net/2023/Oct/23/embeddings/
    ck65
        4
    ck65  
       168 天前
    大致步骤:

    1. 把 csv 分成 chunk ,一行一个 chunk 或 n 行一个 chunk 看行的长度定夺
    2. 逐个 chunk 调 embedding API 换回一个 embedding 结果,存进 vector db
    3. 用关键词「蔬菜」检索 vector db

    借楼提一个引申问题:有不需要经过 embedding API 的办法吗?
    cando
        5
    cando  
       168 天前
    输入"蔬菜",让 GPT 给出所有的蔬菜,然后把所有的蔬菜拿到 csv 去匹配。
    TimePPT
        6
    TimePPT  
       168 天前   ❤️ 1
    @ck65 Embedding 背后就是个模型,自己私有化部署一个也行。
    还有个办法是做 NER 实体识别,读取离线训练好的 Word Embedding 表,做相似度匹配。
    但这个仅限于词级别的匹配
    DTCPSS
        7
    DTCPSS  
    OP
       167 天前
    @liprais @TimePPT
    有没有推荐的组件? Faiss 怎么样?
    DTCPSS
        8
    DTCPSS  
    OP
       167 天前
    基本解决了。
    向量搜索用 Faiss 。
    文本向量化用 aspire/acge_text_embedding 和 Alibaba-NLP/gte-Qwen1.5-7B-instruct 。
    kalafinaian
        9
    kalafinaian  
       66 天前
    Bert 得到句向量 Embedding 再 L2 归一化
    然后矩阵乘法计算两两之间按相似度
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   3052 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 20ms · UTC 12:57 · PVG 20:57 · LAX 04:57 · JFK 07:57
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.