用好Python自然语言工具包-- 实例“基于本地知识库的自动问答”
首先鸣谢thomas-yanxin
本问中示例来自他在GitHub上的开源项目“基于本地知识库的自动问答”，链接如下：
thomas-yanxin/LangChain-ChatGLM-Webui: 基于LangChain和ChatGLM-6B的针对本地知识库的自动问答 (github.com)
目录
1. 基础知识：
2. NLTK库的使用
3. 实例代码分析
设备的定义
函数定义：从网络上搜索相关信息
函数定义：加载文件
函数定义：初始化一个向量存储器
1. 基础知识：
NLTK是一个领先的平台，用于构建处理自然语言数据的Python程序。它提供了易于使用的接口，可以访问50多个语料库和词汇资源，如WordNet，以及一套用于分类、分词、词干提取、标注、解析和语义推理的文本处理库、工业级自然语言处理库的封装和活跃的讨论论坛。
什么是tokenization？
Tokenize是指将一段文本分割成单独的词语或符号序列的过程。在自然语言处理中，文本预处理通常包括将原始文本数据转换为可供分析的结构化数据。分词是这个过程中的一个重要步骤，它可以将一段文本分割成有意义的单元，例如单词、标点符号、数字、缩略词等等。
分词技术可以基于不同的规则和算法实现，如空格、标点符号、停用词、正则表达式、最大匹配法等。分词的准确性和效率对于后续的自然语言处理任务（例如词性标注、命名实体识别、文本分类等）的效果有很大影响，因此它是自然语言处理中一个非常重要的步骤。
2. NLTK库的使用
在python中安装NLTK库
pip install NLTK导入NLTK库
import nltk # 导入NLTK for tokenization将语料数据导入数据列表中
nltk.data.path.append('./nltk_data')NLTK是一个用于处理自然语言数据的Python库，其中包含了许多用于自然语言处理的数据集和语料库，这些数据通常存储在默认路径中。然而，有时用户可能需要在其他地方存储这些数据，或者需要加载自己的数据集和语料库，这时就需要将新的路径添加到nltk.data.path路径列表中。
然而，有时用户可能需要在其他地方存储这些数据，或者需要加载自己的数据集和语料库，这时就需要将新的路径添加到nltk.data.path路径列表中。
具体来说，这行代码使用了Python列表的append()方法，将"./nltk_data"添加到nltk.data.path路径列表中的末尾。这样，当使用NLTK库中的函数和方法时，程序将首先搜索默认路径，如果没有找到所需的数据，就会在路径列表中的其他位置继续搜索，直到找到所需的数据为止。这种方式可以方便地扩展NLTK库的数据集和语料库，使其适应用户的特定需求。
字典变量的定义
## 这段代码定义了一个名为 embedding_model_dict 的字典变量，其中包含了5个键值对，每个键值对表示一个预训练的中文词向量模型的名称和对应的地址。
embedding_model_dict = { # 词向量模型
"ernie-tiny": "nghuyong/ernie-3.0-nano-zh",
"ernie-base": "nghuyong/ernie-3.0-base-zh",
"ernie-medium": "nghuyong/ernie-3.0-medium-zh",
"ernie-xbase": "nghuyong/ernie-3.0-xbase-zh",
"text2vec-base": "GanymedeNil/text2vec-base-chinese"
}
## 这段代码定义了一个名为 llm_model_dict 的字典变量，其中包含了5个键值对，每个键值对表示一个预训练的中文语言模型的名称和对应的地址。
llm_model_dict = {
"ChatGLM-6B": "THUDM/chatglm-6b",
"ChatGLM-6B-int4": "THUDM/chatglm-6b-int4",
"ChatGLM-6B-int8": "THUDM/chatglm-6b-int8",
"ChatGLM-6b-int4-qe": "THUDM/chatglm-6b-int4-qe",
"ChatGLM-6b-local": "/data/chatglm-6b"
}这段代码定义了两个字典变量。第一个字典变量 embedding_model_dict 包含了五个键值对，每个键值对表示一个中文词向量模型的名称和对应的地址。具体来说，这些模型是以预训练方式生成的，可以用于将中文文本映射到连续的向量空间中。
第二个字典变量 llm_model_dict 包含了五个键值对，每个键值对表示一个预训练的中文语言模型的名称和对应的地址。这些模型可以用于生成中文文本，比如回答问题、生成对话等。其中一些模型的地址指向公共可用的模型，而另一些模型的地址是本地地址，表示这些模型存储在计算机本地的某个路径中。
3. 实例代码分析
我们要分析的就是来自GitHub上的开源项目“基于本地知识库的自动问答”项目中的app.py文件
上边已经分析了NLTK的库的导入、语料数据的导入、字典变量的定义，接下来我们继续研究。
设备的定义
DEVICE = "cuda" if torch.cuda.is_available(
) else "mps" if torch.backends.mps.is_available() else "cpu"这段代码定义了一个变量 DEVICE，用于指定代码运行所使用的设备。如果当前系统支持CUDA设备（即具有NVIDIA GPU），则将 DEVICE 设置为 "cuda"，表示使用GPU加速运算。如果当前系统支持MPS（Multi-Process Service），则将 DEVICE 设置为 "mps"，表示使用MPS加速运算。否则，将 DEVICE 设置为 "cpu"，表示使用CPU运算。
具体来说，这段代码通过调用 torch.cuda.is_available() 函数检查当前系统是否支持CUDA设备，如果支持则将 DEVICE 设置为 "cuda"。否则，通过调用 torch.backends.mps.is_available() 函数检查当前系统是否支持MPS，如果支持则将 DEVICE 设置为 "mps"。如果系统不支持CUDA或MPS，则将 DEVICE 设置为 "cpu"。
这里解释一下torch：
torch是一个开源机器学习框架，基于Python语言，提供了丰富的工具和库，用于构建深度学习模型和进行科学计算。torch框架是由Facebook AI Research团队开发，其主要优势在于它支持张量计算和自动求导，同时提供了高效的GPU加速功能，因此广泛应用于深度学习领域。
torch的核心是张量（tensor）数据结构，它是一种多维数组，类似于numpy中的数组，但可以在GPU上运行加速。torch框架提供了大量的张量操作函数，如加减乘除、矩阵乘法、卷积操作等，同时还支持自动求导和高阶函数（例如梯度下降算法、优化器等）。此外，torch还包括了许多已经预训练好的深度学习模型，以及用于数据处理和可视化的工具。
函数定义：从网络上搜索相关信息
def search_web(query):
SESSION.proxies = {
"http": f"socks5h://localhost:7890",
"https": f"socks5h://localhost:7890"
}
results = ddg(query)
web_content = ''
if results:
for result in results:
web_content += result['body']
return web_content这个函数将一个查询作为输入参数。
1）函数的第一行为SESSION变量指定了代理设置，该变量其他代码文件中定义
2）然后，它使用ddg()函数来获取给定查询的搜索结果。
3）代码的下一行初始化了一个名为web_content的空字符串变量。
4）接下来，它检查是否有任何来自上一步骤的结果。
5）如果有任何结果，那么它会遍历这些结果，提取每个结果的“body”部分并将其添加到web_content变量中。
6）最后，该函数返回web_content变量的最终值。
这个函数是一个用于获取指定查询在duckduckgo搜索引擎上的搜索结果，并将结果内容汇总到一个字符串中的函数，同时它使用SESSION变量指定了代理设置。
其中用到的ddg()函数为duckduckgo_search中的函数（路径：\Python39\Lib\site-packages\duckduckgo_search\ddg.py），是指代duckduckgo搜索引擎的搜索函数。
函数定义：加载文件
def load_file(filepath):
if filepath.lower().endswith(".pdf"):
loader = UnstructuredFileLoader(filepath)
textsplitter = ChineseTextSplitter(pdf=True)
docs = loader.load_and_split(textsplitter)
else:
loader = UnstructuredFileLoader(filepath, mode="elements")
textsplitter = ChineseTextSplitter(pdf=False)
docs = loader.load_and_split(text_splitter=textsplitter)
return docs这段代码定义了一个名为 load_file 的函数，用于加载指定路径下的文本文件，并将其拆分为多个文档（即文档分块）。该函数接受一个参数 filepath，表示指定的文本文件路径。
首先，函数检查文件路径的后缀名是否为 .pdf，如果是，则使用 UnstructuredFileLoader 对象加载指定的PDF文件，并使用 ChineseTextSplitter 对象将PDF文档分割为多个文档。如果文件路径的后缀名不是 .pdf，则使用 UnstructuredFileLoader 对象以 elements 模式加载文件，并使用 ChineseTextSplitter 对象将文件拆分为多个文档。
最后，函数返回拆分后的文档列表。每个文档都表示一个字符串对象，其中包含原始文本文件中的一部分内容。文档的具体内容取决于拆分器（即 ChineseTextSplitter 对象）的实现方式。
这里解释下为何要进行“文档分块”？
进行文档分块是为了更好地处理大型文本数据。在自然语言处理领域，处理整个文本文件往往不是最佳选择，因为大型文本文件可能包含数千甚至数百万的单词或字符，而处理这样大量的文本数据可能会耗费大量的计算资源，而且对于一些任务（如语言模型训练）可能会导致内存不足或内存泄漏的问题。
为了避免这些问题，可以将大型文本文件分割成多个较小的文本块，即文档分块。每个文档分块通常包含文本文件的一部分内容，例如一段或几段文本。通过将大型文本文件分割成多个文档分块，可以将文本处理任务分解成多个较小的子任务，从而降低整个处理过程的计算复杂度，并且可以更加高效地使用内存资源。
文档分块还有另一个优点，即可以更好地控制训练数据的大小。在一些机器学习任务中，数据的大小往往是一个关键问题，因为过大的训练数据可能会导致过拟合或训练时间过长。通过对文本文件进行分块，可以将训练数据的大小控制在合理的范围内，从而更好地控制训练过程的效率和质量。
函数定义：初始化一个向量存储器
def init_knowledge_vector_store(embedding_model, filepath):
embeddings = HuggingFaceEmbeddings(
model_name=embedding_model_dict[embedding_model], )
embeddings.client = sentence_transformers.SentenceTransformer(
embeddings.model_name, device=DEVICE)
docs = load_file(filepath)
vector_store = FAISS.from_documents(docs, embeddings)
return vector_store这段代码定义了一个名为 init_knowledge_vector_store 的函数，用于初始化一个向量存储器，用于存储知识库中文档的向量表示。该函数接受两个参数：embedding_model 表示要使用的预训练词向量模型的名称（如 "ernie-tiny"），filepath 表示知识库文件的路径。
首先，该函数创建一个 HuggingFaceEmbeddings 对象，使用预训练的词向量模型来生成词向量。该对象从 embedding_model_dict 字典中获取 embedding_model 对应的预训练词向量模型地址，并使用它初始化。然后，它创建一个 SentenceTransformer 对象，使用 HuggingFaceEmbeddings 对象生成的词向量模型，并将该对象的 device 属性设置为全局变量 DEVICE，以指定使用CPU或GPU设备进行计算。SentenceTransformer 对象用于将文档转换为向量表示，用于在向量存储器中进行检索。
接下来，函数使用 load_file() 函数加载指定路径下的文本文件，并将其拆分为多个文档。每个文档都表示原始文本文件中的一部分内容，例如一段或几段文本。
最后，函数使用 FAISS 库将文档向量存储在一个向量存储器中，并将该向量存储器作为函数的返回值。 FAISS 是一种高效的向量检索库，它支持基于余弦相似度和欧几里得距离等多种相似度度量方式。 from_documents 方法是 FAISS 库提供的一种函数，它将文档向量存储在一个向量存储器中，以便于进行相似度匹配和向量检索。
函数定义：获取基于知识的答案
def get_knowledge_based_answer(query,
large_language_model,
vector_store,
VECTOR_SEARCH_TOP_K,
web_content,
history_len,
temperature,
top_p,
chat_history=[]):
if web_content:
prompt_template = f"""基于以下已知信息，简洁和专业的来回答用户的问题。
如果无法从中得到答案，请说 "根据已知信息无法回答该问题" 或 "没有提供足够的相关信息"，不允许在答案中添加编造成分，答案请使用中文。
已知网络检索内容：{web_content}""" + """
已知内容:
{context}
问题:
{question}"""
else:
prompt_template = """基于以下已知信息，请简洁并专业地回答用户的问题。
如果无法从中得到答案，请说 "根据已知信息无法回答该问题" 或 "没有提供足够的相关信息"。不允许在答案中添加编造成分。另外，答案请使用中文。
已知内容:
{context}
问题:
{question}"""
prompt = PromptTemplate(template=prompt_template,
input_variables=["context", "question"])
chatLLM = ChatGLM()
chatLLM.load_model(model_name_or_path=llm_model_dict[large_language_model])
chatLLM.history = chat_history[-history_len:] if history_len > 0 else []
chatLLM.temperature = temperature
chatLLM.top_p = top_p
knowledge_chain = RetrievalQA.from_llm(
llm=chatLLM,
retriever=vector_store.as_retriever(
search_kwargs={"k": VECTOR_SEARCH_TOP_K}),
prompt=prompt)
knowledge_chain.combine_documents_chain.document_prompt = PromptTemplate(
input_variables=["page_content"], template="{page_content}")
knowledge_chain.return_source_documents = True
result = knowledge_chain({"query": query})
return result这段代码定义了一个名为 get_knowledge_based_answer 的函数，用于基于预定义的知识库，回答用户提出的问题。该函数接受多个参数，包括：
query：表示用户提出的问题；large_language_model：表示要使用的大型语言模型的名称；vector_store：表示存储文档向量的向量存储器；VECTOR_SEARCH_TOP_K：表示要返回的文档数量；web_content：表示从网络检索中获得的已知信息；history_len：表示要考虑的历史对话轮数；temperature：表示用于控制生成文本多样性的温度参数；top_p：表示用于控制生成文本长度的 top-p 参数；chat_history：表示当前对话的历史记录。
该函数首先根据 web_content 参数确定不同的提示文本模板，并将其传递给 PromptTemplate 对象，用于生成提示文本。然后，该函数使用 ChatGLM 类创建一个大型语言模型对象，并使用 load_model 方法从指定的模型名称或路径中加载模型。接下来，函数设置该模型的 temperature 和 top_p 参数。
然后，函数使用 RetrievalQA.from_llm 方法创建一个 RetrievalQA 对象，该对象将大型语言模型和向量存储器作为检索器，并将提示文本作为提示。该对象使用检索器在向量存储器中查找与查询最相似的文档，并使用大型语言模型生成答案。查询结果包含了最有可能的答案，以及相应的文档信息和相似度分数。
最后，函数返回 result 变量，其中包含与查询最相关的答案、相关文档信息和相似度分数。