筆者在前期文章中總結了RAG的分塊《??RAG常見13種分塊策略大總結（一覽表）??》，本文介紹一個語義分段的工作，該工作解決的問題是文本語義分割，即將文檔分割成多個具有連續語義的段落。傳統方法通常依賴于預處理文檔以分段來解決輸入長度限制問題，但這會導致段間關鍵語義信息的丟失。RAG系統中的文本分塊方法主要分為基于規則和基于LLM的方法。

插入一個思路，其實，語義分段的方式筆者在很早實踐過一個思路，不管是RAG分塊還是基于規則分塊，都會或多或少的都是段落信息，如何通過語義的方式分割段落？筆者之前的思路最初的想法來源于序列標注模型，那么是否能應用序列標注的方法，來預測文本行之間的跳轉概率？答案是肯定的，以pdf為例，具體實施步驟如下： 先放上筆者之前的老圖：

1. 從pdf讀取程序或ocr引擎中得到文本行及其坐標；
2. 使用神經網絡對第i行的文本進行編碼，得到文本嵌入向量text_emb(i)；
3. 提取對應行的圖像，得到圖像嵌入向量img_emb(i)；
4. 提取字號、文字長度特征，并進行歸一化得到特征向量；
5. 聚合步驟2、3、4得到的向量，得到行嵌入line_emb(i)；
6. 使用神經網絡對行向量序列[line_emb(i)]進行序列標注。

整體方案流程圖如下：

接下來，本文介紹的方法有異曲同工之處，也是采用序列標注的方式進行，供參考。

方法-CrossFormer

任務定義

CrossFormer 將文本語義分割任務定義為句子級別的序列標注問題。給定一個文檔 ，包含  個句子，每個句子  被分配一個二分類標簽 。標簽  表示由語義連貫性統一的一個段落的終端邊界，而  表示在同一主題段落內的連續性。目標是訓練一個函數 ，能夠根據上下文預測每個句子的標簽 。

為了實現這一點，模型在每個句子  的末尾添加一個特殊的標記 [SENT]，并評估這個標記是否標志著一個段落邊界。通過這種方式，文檔被分割成一組不相交的語義段落。

文檔預處理

由于文本語義分割任務通常涉及長文檔，需要采用適當的建模方法來有效處理這些文檔。論文中采用了截斷和分段的方法。步驟如下：

1. 分段：根據任務指定的分隔符（如換行符或句號）對文檔進行分段。
2. 截斷：將每個句子截斷到最大長度 。
3. 拼接：將截斷后的句子按順序拼接，形成多個文檔段，每個段的長度不超過 。
4. 批處理：將這些文檔段組裝成一個批次，并輸入模型進行訓練或推理。

跨段融合模塊 (CSFM)

CSFM 是 CrossFormer 的核心組件，用于增強文檔段之間的語義連貫性。原理如下：

1. 全局語義表示：通過選擇預訓練的特殊標記 [CLS] 和 [SEP]，提取每個段落的語義表示 。然后，通過最大池化從這些表示中獲取最大的語義成分，得到全局語義信息 。
2. 拼接和線性變換：將全局語義嵌入  與每個分隔符嵌入  進行拼接，并通過兩個線性層進行處理，得到 ，即結合了全局語義信息的分隔符表示。
3. 分類：將  輸入線性層并應用 Softmax 函數，得到分類結果，從而確定段落邊界。

訓練模型使用交叉熵損失函數即可。

通過這種方式，CSFM 能夠有效地捕捉文檔段之間的語義依賴關系，提高分割性能。

CrossFormer 作為 RAG 文本塊分割器

CrossFormer 可以作為RAG系統中的文本塊分割器，生成更具語義連貫性的文本塊。流程如下：

流程圖

1. 分割長文檔：首先使用 CrossFormer 對輸入文檔進行分割，生成一系列文本塊。
2. 長度評估：評估每個文本塊的長度。如果長度超過預設閾值，則將其輸入分割隊列進行進一步處理，直到確定不需要額外分割或文本塊長度低于指定閾值。
3. 檢索和生成：使用分割后的文本塊進行檢索和生成。通過檢索器和問題提示進行相關性檢索，生成上下文，并將其輸入到LLM中以獲得最終答案。

局限性

• CrossFormer不能精確控制文本塊長度的上限。因此，可能需要結合基于規則的方法來輸出合適的長度。
• 作為線性文本語義分割模型，CrossFormer不能輸出部分重疊的文本塊，這在RAG系統的某些場景中是必需的。

實驗效果

文本語義分割的結果

在RAG基準測試上的結果

參考文獻：CrossFormer: Cross-Segment Semantic Fusion for Document Segmentation，https://arxiv.org/pdf/2503.23671v1

公眾號大模型自然語言處理  作者：余俊暉

原文鏈接：??https://mp.weixin.qq.com/s/YSt1G-M5yEJCb8VcW0OlnA??