Szövegfelosztó funkció

A Text Split képesség szövegdarabokra bontja a szöveget. Meghatározhatod, hogy a szöveget mondatokra vagy egy adott hosszúságú oldalakra akarod-e bontani. Pozíciós metaadatok, mint az eltolás és az ordinális pozíció is elérhetők kimenetként. Ez a képesség akkor hasznos, ha a következő szintű készségeknél maximális szöveghossz követelményei vannak, például olyan beágyazási készségeknél, amelyek adatdarabokat továbbítanak beágyazómodelleknek az Azure OpenAI-n és más modellszolgáltatókon. További információért erről a helyzetről lásd: Chunk documents vektorkereséshez.

@odata.type

Microsoft.Skills.Text.SplitSkill

Képességparaméterek

A paraméterek megkülönböztetik a kis- és nagybetűket.

Készségbemenetek

Képességkimenetek

Mintadefiníció

{
    "name": "SplitSkill", 
    "@odata.type": "#Microsoft.Skills.Text.SplitSkill", 
    "description": "A skill that splits text into chunks", 
    "context": "/document", 
    "defaultLanguageCode": "en", 
    "textSplitMode": "pages", 
    "unit": "azureOpenAITokens", 
    "azureOpenAITokenizerParameters":{ 
        "encoderModelName":"cl100k_base", 
        "allowedSpecialTokens": [ 
            "[START]", 
            "[END]" 
        ] 
    },
    "maximumPageLength": 512,
    "inputs": [
        {
            "name": "text",
            "source": "/document/text"
        },
        {
            "name": "languageCode",
            "source": "/document/language"
        }
    ],
    "outputs": [
        {
            "name": "textItems",
            "targetName": "pages"
        }
    ]
}

Példabemenet

{
    "values": [
        {
            "recordId": "1",
            "data": {
                "text": "This is the loan application for Joe Romero, a Microsoft employee who was born in Chile and who then moved to Australia...",
                "languageCode": "en"
            }
        },
        {
            "recordId": "2",
            "data": {
                "text": "This is the second document, which will be broken into several pages...",
                "languageCode": "en"
            }
        }
    ]
}

Példakimenet

{
    "values": [
        {
            "recordId": "1",
            "data": {
                "pages": [
                    "This is the loan...",
                    "In the next section, we continue..."
                ],
                "offsets": [
                    {
                        "utf8": 0,
                        "utf16": 0,
                        "codePoint": 0
                    },
                    {
                        "utf8": 146,
                        "utf16": 146,
                        "codePoint": 146
                    }
                ],
                "lengths": [
                    {
                        "utf8": 146,
                        "utf16": 146,
                        "codePoint": 146
                    },
                    {
                        "utf8": 211,
                        "utf16": 211,
                        "codePoint": 211
                    }
                ],
                "ordinalPositions" : [
                    1,
                    2
                ]
            }
        },
        {
            "recordId": "2",
            "data": {
                "pages": [
                    "This is the second document...",
                    "In the next section of the second doc..."
                ],
                "offsets": [
                    {
                        "utf8": 0,
                        "utf16": 0,
                        "codePoint": 0
                    },
                    {
                        "utf8": 115,
                        "utf16": 115,
                        "codePoint": 115
                    }
                ],
                "lengths": [
                    {
                        "utf8": 115,
                        "utf16": 115,
                        "codePoint": 115
                    },
                    {
                        "utf8": 209,
                        "utf16": 209,
                        "codePoint": 209
                    }
                ],
                 "ordinalPositions" : [
                    1,
                    2
                ]
            }
        }
    ]
}

Példa a chunkolásra és vektorizációra

Ez a példa az integrált vektorizációra vonatkozik.

• pageOverlapLength: Az átfedő szöveg hasznos adatchunkolási helyzetekben, mert megőrzi a folytonosságot ugyanabból a dokumentumból generált chunkok között.

• maximumPagesToTake: Az oldalfelvétel korlátai hasznosak vektorizációs helyzetekben, mert segít a vektorizációt biztosító beágyazási modellek maximális bemeneti határai alatt maradni.

Mintadefiníció

Ez a meghatározás 100 karaktert és pageOverlapLength egy karaktert is hozzáadmaximumPagesToTake.

Feltételezve maximumPageLength , hogy 5 000 karakter (az alapértelmezett), akkor "maximumPagesToTake": 1 feldolgozza minden forrásdokumentum első 5 000 karakterét.

Ez a példa a textItemsmyPagestargetName. Mivel targetName beállított, myPages az az érték, amit a Text Split képességből kell kiválasztani. Felhasználás /document/myPages/* a downstream készségekben, indexelő kimeneti mezőtérképezésekben, tudástároló előrejelzésekben és indexprojekteken.

{
    "@odata.type": "#Microsoft.Skills.Text.SplitSkill",
    "textSplitMode" : "pages", 
    "maximumPageLength": 1000,
    "pageOverlapLength": 100,
    "maximumPagesToTake": 1,
    "defaultLanguageCode": "en",
    "inputs": [
        {
            "name": "text",
            "source": "/document/content"
        },
        {
            "name": "languageCode",
            "source": "/document/language"
        }
    ],
    "outputs": [
        {
            "name": "textItems",
            "targetName": "myPages"
        }
    ]
}

Mintabemenet (ugyanaz, mint az előző példa)

{
    "values": [
        {
            "recordId": "1",
            "data": {
                "text": "This is the loan application for Joe Romero, a Microsoft employee who was born in Chile and who then moved to Australia...",
                "languageCode": "en"
            }
        },
        {
            "recordId": "2",
            "data": {
                "text": "This is the second document, which will be broken into several sections...",
                "languageCode": "en"
            }
        }
    ]
}

Mintavétel (figyeld meg az átfedést)

Minden "textItems" tömbben az első elem mögöttes szöveg másolódik a második elem elejére.

{
    "values": [
        {
            "recordId": "1",
            "data": {
                "myPages": [
                    "This is the loan...Here is the overlap part",
                    "Here is the overlap part...In the next section, we continue..."
                ]
            }
        },
        {
            "recordId": "2",
            "data": {
                "myPages": [
                    "This is the second document...Here is the overlap part...",
                    "Here is the overlap part...In the next section of the second doc..."
                ]
            }
        }
    ]
}

Hibaesetek leírása

Ha egy nyelv nem támogatott, figyelmeztetés keletkezik.

Lásd még

• Beépített készségek
• Hogyan definiáljuk a készségkészletet