AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


当RAG遇上PDF表格,如何实现索引内容的精准回答
发布日期:2024-06-19 12:20:54 浏览次数: 2007 来源:玄姐聊AGI



解析和理解非结构化文档尤其是图片格式表格(  比如:扫描文件中的表格)时,优化 RAG 方案面临重大挑战。难点涉及:
  1. 扫描图像的复杂性,包括多变结构、非文本元素及手写与打印文本的混合,这些都阻碍了准确自动提取表格信息,可能导致结构损坏,影响 RAG 输出的完整性和语义理解。
  2. 表格标题的精确抽取及其与对应表格的有效关联,这对于正确理解表格意义至关重要。
  3.  开发高效索引结构以储存和检索表格的深层语义信息。
本文首先讲述 RAG 表格处理的核心技术,继而评估现有开源解决方案,并进一步提出及实践一种解决方案策略。

1

RAG 的关键技术

第一、Table Parsing(表格解析)

该模块核心职责是从非结构化文档及图像中高精度抽取表格结构,强调表格标题的准确提取及与表格本身的便捷绑定。现有方法概览:
1. 多模态 LLM 应用:运用GPT-4V等工具,识别并提取PDF页面中的表格信息。
2. 专用表格检测模型:比如:Table Transformer,专门用于解析表结构。
3. 开源框架利用:采用 unstructured 等框架进行全面文档解析,提取表格相关内容。
4. 端到端模型解决方案:Nougat、Donut 模型直接解析文档并提取表格信息,无需独立OCR,且便于表格标题的自动识别与关联,因表格标题常为内容精要,对理解表格内容至关重要。
第二、Index Structure

索引表格方法概括:

  1. 图像表格索引:专对图片格式表格。

  2. 文本/JSON 表格索引:针对纯文本和 JSON 结构表格。

  3. LaTeX 表格索引:专门处理 LaTeX 格式。

  4. 表格摘要索引:利用 LLM 或多模态模型生成表摘要。

  5. 结构化层级索引:按内容从小到大或依文档摘要,涵盖表格各部分(比如:行)至整体(图像、文本、LaTeX 表)。

同时,可直接向多模态 LLM 提交图片、文本及查询,以获取即时答案。
需留意,并非所有策略依托 RAG:
  1. 针对性数据训练,运用 BERT-like 模型,比如:TAPAS,专项处理表格理解。
  2. 利用 LLM,经预训练、微调或提示调整,执行表格理解任务,参考GPT4Table 方法。

2

现有开源解决方案

LlamaIndex 提供四种方式,前三者运用多模态模型:
1. 图像检索后,由 GPT-4V 回应。
2. PDF 页面转图像,GPT-4V 分析建立索引,通过 Image Reasoning Vector Store 查询。
3. 从图中裁剪表格,GPT-4V 处理作答。
4. 表格图像 OCR转 文本,送入 LLM 回答。
Langchain解决方案涵盖:
- 半结构化 RAG:Unstructured 解析 PDF 内容,多向量检索器存储,LCEL 实现问答,非多模态 LLM 参与。
- 半结构化+多模态 RAG 方案多样,例如:
- 选项1:CLIP 等嵌入图像和文本,送多模态 LLM 直接回答。
- 选项2:多模态 LLM 生成图像文本摘要,传统 RAG 链路处理 QA。
- 选项3:生成摘要、embedding,根据之找到原图,多模态 LLM 完成问答。


3

建议的解决方案

本文概括、分类并探讨了关键技术与现有方案,据此我们提出一项解决方案,如下图示。为清晰起见,简化说明,未展示RAG模块中的重排序和查询改写环节。

表格解析采用 Nougat,据称其表格检测优于 unstructured,擅长提取标题,便于标题与表格关联。

文档索引策略:小块含表格摘要,大块含 LaTeX 表格及标题,应用 Multi-Vector Retriever 存储方法。

表格内容汇总:表格及标题送入 LLM 生成摘要。

Nougat 源于 Donut,无需 OCR,整体架构请参考 Nougat 相关资料。

Nougat 解析公式表格的能力令人印象深刻,也能对表格标题进行关联(解析出来的表格式 LaTeX 格式),比如下面这个例子:



53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询