Meta-Chunking: Learning Efficient Text Segmentation via Logical Perception

要約

検索拡張生成 (RAG) は、大規模言語モデル (LLM) の実行可能な補完機能として機能しますが、知識集約型タスクの品質に影響を与える、パイプライン内のテキストのチャンク化の重要な側面を見落とすことがよくあります。
この論文では、メタチャンキングの概念を紹介します。これは、文と段落の間の粒度を指し、深い言語論理的つながりを持つ段落内の文のコレクションで構成されます。
メタチャンキングを実装するために、パフォーマンスと速度のバランスをとり、コンテキストのパープレキシティ分布の特性を分析することでテキスト チャンクの境界を正確に識別するパープレキシティ (PPL) チャンキングを設計しました。
さらに、さまざまなテキストに固有の複雑さを考慮して、PPL チャンキングと動的マージを組み合わせて、きめの細かいテキスト チャンクと粗いテキスト チャンクのバランスを実現する戦略を提案します。
11 のデータセットに対して行われた実験では、メタチャンキングにより、RAG に基づくシングルホップおよびマルチホップの質問応答のパフォーマンスがより効率的に向上できることが実証されました。
たとえば、2WikiMultihopQA データセットでは、類似性チャンキングよりも 1.32 優れたパフォーマンスを示しますが、消費する時間はわずか 45.8% です。
さらに、さまざまな規模とタイプのモデルの分析を通じて、PPL チャンキングが顕著な柔軟性と適応性を示すことがわかりました。
私たちのコードは https://github.com/IAAR-Shanghai/Meta-Chunking で入手できます。

要約(オリジナル)

Retrieval-Augmented Generation (RAG), while serving as a viable complement to large language models (LLMs), often overlooks the crucial aspect of text chunking within its pipeline, which impacts the quality of knowledge-intensive tasks. This paper introduces the concept of Meta-Chunking, which refers to a granularity between sentences and paragraphs, consisting of a collection of sentences within a paragraph that have deep linguistic logical connections. To implement Meta-Chunking, we designed Perplexity (PPL) Chunking, which balances performance and speed, and precisely identifies the boundaries of text chunks by analyzing the characteristics of context perplexity distribution. Additionally, considering the inherent complexity of different texts, we propose a strategy that combines PPL Chunking with dynamic merging to achieve a balance between fine-grained and coarse-grained text chunking. Experiments conducted on eleven datasets demonstrate that Meta-Chunking can more efficiently improve the performance of single-hop and multi-hop question answering based on RAG. For instance, on the 2WikiMultihopQA dataset, it outperforms similarity chunking by 1.32 while only consuming 45.8% of the time. Furthermore, through the analysis of models of various scales and types, we observed that PPL Chunking exhibits notable flexibility and adaptability. Our code is available at https://github.com/IAAR-Shanghai/Meta-Chunking.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google