这是一个创建于 354 天前的主题，其中的信息可能已经有所发展或是发生改变。
- 项目想读取多种类型的文本，比如 doc,md,xlsx 等文件的内容
- 将其向量化后，存储到向量数据库
请问大家是如何做文本分割的，当然这里不是指简单的字符分割，而是如何将他们合理的分割后存到向量数据库，以便于提高知识库的匹配精准度。谢谢回复。
 |
1
Haku 352 天前
人肉分割。别笑，我们公司就是这么干的，效果不说有多好，但是起码比机械地按句子标点符号啥的分割要好很多。
一定要程序来分割的话，可以直接交给 AI 然后按照语义分割试试。 |
 |
2
LuffyPro OP 谢谢回复，确实，感觉绝大部分 ai 应用还是专用型，专用型一般是特定场景，语义分割时的约束比较好定义，人工分割也简单些，比较适合初期落地。
这是我找到的别人的回复： https://zhuanlan.zhihu.com/p/673906072 ，共勉。 PS:新号 注册 15 天后才能回复😂 |
 |
3
shm7 305 天前
按照句子分割，再长的按照分句分割。中英那么多标点符号呢。NLPer 的祖传技能了。
|
 |
4
183387594 304 天前
SpacyTextSplitter
|
|
5
LuffyPro OP |
Select Language