Folia
← 返回头版

Manticore Search 推出向量列文本分块功能优化长文档检索

Manticore Search 引入了向量列的文本分块功能,旨在解决超长文档在向量搜索中的截断问题 1。用户可在表定义中通过 chunk_strategy 参数自动将长文档分割成多个块并分别嵌入 1。该功能提供了五种分块策略:truncate(默认)、mean、fixed、recursive 和 sentence 1。其中 truncate 和 mean 策略生成单个向量,而 fixed、recursive 和 sentence 三种策略则生成多个向量 1。用户还可配置 max_tokens(块大小)、overlap_tokens(相邻块重叠令牌数)和 max_chunks(每文档最大向量数上限)等参数 1。

在 Manticore 英文手册数据集上的基准测试中,该功能显著提升了检索效果 1。深层内容的召回率@5 从 55.1% 提升至 83.3%,平均倒数排名(MRR)也从 0.44 上升到 0.70 1。不过这一改进伴随着性能成本的增加:索引 RAM 消耗增长了 2.5 倍(从 4.2MB 升至 11.7MB),摄入时间延长 4 倍(从 21 秒增至 86 秒) 1。根据测试建议,块大小为 128 至 256 个令牌对技术文档表现最优,较小的块能提供更精准的匹配效果,但会增加生成的向量数量 1。


评论