引言

RAG作为减少模型幻觉和让模型分析、回答私域相关知识最简单高效的方式，我们除了使用之外可以尝试了解其是如何实现的。在实现RAG的过程中，有语义搜索也有关键词搜索，我们这篇文章来用jieba库以及TF-IDF实现关键词搜索RAG。

jieba库简介

jieba（结巴）是一个在Python中广泛使用的分词库，特别适用于中文文本处理。jieba库不仅支持基本的分词功能，还提供了关键词提取、词性标注、命名实体识别等多种功能。在关键词检测领域，jieba库的TF-IDF和TextRank算法被广泛应用于提取文本中的关键词。

TF-IDF简介

TF-IDF（Term Frequency-Inverse Document Frequency）是一种用于信息检索和文本挖掘的常用加权技术。它通过计算词汇在文档中的频率（Term Frequency, TF）和在整个语料库中的逆文档频率（Inverse Document Frequency, IDF），来评估词汇的重要性和相关性。

TF-IDF的计算公式如下：

简单来说关键词出现的次数越多且存在于其他文档中的频率越低，那么这个关键词就越重要。

实践

我们来模拟用户询问问题，模型根据问题从知识库中检索出相关文档，并根据检索到的文档生成回答。

我们假设用户输出是text1，发到顺丰，text2中是多个文档，以";"隔开，我们使用jieba库实现关键词搜索RAG，搜索text2中最适配text1的文档。

例子

# Example text
text = "发到顺丰"

# Example text2
text2 = "您好，是您拨打的客服电话吗;你好，我的这个货想要通过顺丰去发;订单号发我一下;xxxxxx;好的我这边给您发顺丰"

用jieba库提取关键词

# 切割 text2 并将其作为文档
documents = text2.split(';')

# 提取关键词的函数
def extract_keywords(text):
    return jieba.analyse.extract_tags(text)

# 提取查询关键词
query_keywords = extract_keywords(text)

# 提取文档关键词
documents_keywords = [extract_keywords(doc) for doc in documents]

计算TF-IDF

# 计算查询关键词的词频 (TF)
query_keyword_counts = Counter(query_keywords)

# 总文档数
total_documents = len(documents)

# 计算所有关键词的逆文档频率 (IDF)
all_keywords = set()
for doc_keywords in documents_keywords:
    all_keywords.update(doc_keywords)

keyword_idf = {}
for keyword in all_keywords:
    doc_count_containing_keyword = sum(1 for doc_keywords in documents_keywords if keyword in doc_keywords)
    keyword_idf[keyword] = math.log((1 + total_documents) / (1 + doc_count_containing_keyword)) + 1

# 计算查询关键词的 TF-IDF
query_tfidf = {}
for keyword, count in query_keyword_counts.items():
    tf = count
    idf = keyword_idf.get(keyword, 0)
    query_tfidf[keyword] = tf * idf

# 计算所有文档的 TF-IDF
documents_tfidf = []
for doc_keywords in documents_keywords:
    doc_keyword_counts = Counter(doc_keywords)
    doc_tfidf = {}
    for keyword, count in doc_keyword_counts.items():
        tf = count
        idf = keyword_idf.get(keyword, 0)
        doc_tfidf[keyword] = tf * idf
    documents_tfidf.append(doc_tfidf)

计算文档和查询相似度

# 计算余弦相似度
def cosine_similarity(vec1, vec2):
    intersection = set(vec1.keys()) & set(vec2.keys())
    numerator = sum(vec1[x] * vec2[x] for x in intersection)
    sum1 = sum(vec1[x] ** 2 for x in vec1)
    sum2 = sum(vec2[x] ** 2 for x in vec2)
    denominator = math.sqrt(sum1) * math.sqrt(sum2)
    if not denominator:
        return 0.0
    else:
        return float(numerator) / denominator

# 计算文档与查询的相似度
similarities = []
for doc_tfidf in documents_tfidf:
    similarity = cosine_similarity(query_tfidf, doc_tfidf)
    similarities.append(similarity)

# 按相似度排序并返回结果
sorted_documents = sorted(zip(documents, similarities), key=lambda x: x[1], reverse=True)

# 打印结果
for i, (doc, score) in enumerate(zip(documents, similarities)):
    print(f"Document {i+1}: {doc}\nScore: {score}\n")

结果

Score得分越高，则文档越匹配查询词，可以看到，我们根据关键词搜索，找到了最适配text1的文档，Document 2。

Document 1: 您好，是您拨打的客服电话吗
Score: 0.0

Document 2: 你好，我的这个货想要通过顺丰去发
Score: 0.4472135954999579

Document 3: 订单号发我一下
Score: 0.0

Document 4: xxxxxx
Score: 0.0

Document 5: 好的我这边给您发顺丰
Score: 0.0

完整代码：

import jieba
from jieba.analyse import default_tfidf
from collections import Counter
import math

# Example text
text = "发到顺丰"

# Example text2
text2 = "您好，是您拨打的客服电话吗;你好，我的这个货想要通过顺丰去发;订单号发我一下;xxxxxx;好的我这边给您发顺丰"

# 切割 text2 并将其作为文档
documents = text2.split(';')

# 提取关键词的函数
def extract_keywords(text):
    return jieba.analyse.extract_tags(text)

# 提取查询关键词
query_keywords = extract_keywords(text)

# 提取文档关键词
documents_keywords = [extract_keywords(doc) for doc in documents]

# 计算查询关键词的词频 (TF)
query_keyword_counts = Counter(query_keywords)

# 总文档数
total_documents = len(documents)

# 计算所有关键词的逆文档频率 (IDF)
all_keywords = set()
for doc_keywords in documents_keywords:
    all_keywords.update(doc_keywords)

keyword_idf = {}
for keyword in all_keywords:
    doc_count_containing_keyword = sum(1 for doc_keywords in documents_keywords if keyword in doc_keywords)
    keyword_idf[keyword] = math.log((1 + total_documents) / (1 + doc_count_containing_keyword)) + 1

# 计算查询关键词的 TF-IDF
query_tfidf = {}
for keyword, count in query_keyword_counts.items():
    tf = count
    idf = keyword_idf.get(keyword, 0)
    query_tfidf[keyword] = tf * idf

# 计算所有文档的 TF-IDF
documents_tfidf = []
for doc_keywords in documents_keywords:
    doc_keyword_counts = Counter(doc_keywords)
    doc_tfidf = {}
    for keyword, count in doc_keyword_counts.items():
        tf = count
        idf = keyword_idf.get(keyword, 0)
        doc_tfidf[keyword] = tf * idf
    documents_tfidf.append(doc_tfidf)

# 计算余弦相似度
def cosine_similarity(vec1, vec2):
    intersection = set(vec1.keys()) & set(vec2.keys())
    numerator = sum(vec1[x] * vec2[x] for x in intersection)
    sum1 = sum(vec1[x] ** 2 for x in vec1)
    sum2 = sum(vec2[x] ** 2 for x in vec2)
    denominator = math.sqrt(sum1) * math.sqrt(sum2)
    if not denominator:
        return 0.0
    else:
        return float(numerator) / denominator

# 计算文档与查询的相似度
similarities = []
for doc_tfidf in documents_tfidf:
    similarity = cosine_similarity(query_tfidf, doc_tfidf)
    similarities.append(similarity)

# 按相似度排序并返回结果
sorted_documents = sorted(zip(documents, similarities), key=lambda x: x[1], reverse=True)

# 打印结果
for i, (doc, score) in enumerate(zip(documents, similarities)):
    print(f"Document {i+1}: {doc}\nScore: {score}\n")

总结

关键词匹配是RAG搜索中的一个很重要的方法之一，但是关键词匹配的缺点也很明显，就是关键词匹配的召回率很低，因为关键词匹配只匹配了关键词，而没有匹配到关键词的上下文。所以一般需要结合语义搜索去一起进行。 在上面我们的实践中，我们使用jieba库去进行分词，然后通过TF-IDF算法去计算关键词的权重，然后通过余弦相似度去计算文档和查询的相似度，最后通过相似度去排序，返回结果。基本上这个一个比较通用的关键词匹配RAG数据库的方法。