我要投稿

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： 2079 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：

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。
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。
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：

图像表格索引：专对图片格式表格。
文本/JSON 表格索引：针对纯文本和 JSON 结构表格。
LaTeX 表格索引：专门处理 LaTeX 格式。
表格摘要索引：利用 LLM 或多模态模型生成表摘要。
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：

针对性数据训练，运用 BERT-like 模型，比如：TAPAS，专项处理表格理解。
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

160+中大型企业正在使用53AI

立即咨询预约演示

百度智能云邀53AI：共创AI新纪元，启航智能新时代

2024-05-27

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

2024-05-22

热点资讯

一文带你了解大模型——智能体（Agent）

2024-05-28

本地部署大模型？看这篇就够了，Ollama 部署和实战

2024-08-13

全面对比dify、coze、streamlit、chainlit

2024-04-26

Cursor 一个真正让程序员产生危机感的 AI 编程工具

2024-08-21

【深度】AI搜索产品深度分析-搜索原理和商业模式分析

2024-07-09

16个具有“联网搜索”功能的AI：总有一个适合你！

2024-06-13

50+个AI大模型在不同领域的应用案例

2024-08-04

“大数据+”医疗

2024-04-11

Claude中国官网正式上线！1:1还原官网，非套壳，国内直连

2024-07-18

一文读懂大模型推理必备技术：KV Cache

2024-07-01

大家都在问

微软 OmniParser：如何让机器 “看懂” 手机电脑界面？

2024-12-26

字节和BAT，谁能缚住AI苍龙？

2024-12-26

大模型+安全实践之春天何时到来？

2024-12-25

AI大牛解析o3技术路线！大模型下一步技术路线已现端倪？

2024-12-24

如何从头建立一个通用AI智能体应用？

2024-12-22

o3比o1强在哪里？

2024-12-21

OpenAI 铺垫了12天发布的 o3 到底咋样？

2024-12-21

Gemini 2.0重磅来袭！AI实力再进化，你准备好了吗？

2024-12-21

开箱即用的企业大模型应用平台

工作+AI

业务+AI

AIx业务

大模型咨询

大模型定制

相关资讯

160+中大型企业正在使用53AI

百度智能云邀53AI：共创AI新纪元，启航智能新时代

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

热点资讯

一文带你了解大模型——智能体（Agent）

本地部署大模型？看这篇就够了，Ollama 部署和实战

全面对比dify、coze、streamlit、chainlit

Cursor 一个真正让程序员产生危机感的 AI 编程工具

【深度】AI搜索产品深度分析-搜索原理和商业模式分析

16个具有“联网搜索”功能的AI：总有一个适合你！

50+个AI大模型在不同领域的应用案例

“大数据+”医疗

Claude中国官网正式上线！1:1还原官网，非套壳，国内直连

一文读懂大模型推理必备技术：KV Cache

大家都在问

微软 OmniParser：如何让机器 “看懂” 手机电脑界面？

字节和BAT，谁能缚住AI苍龙？

大模型+安全实践之春天何时到来？

AI大牛解析o3技术路线！大模型下一步技术路线已现端倪？

如何从头建立一个通用AI智能体应用？

o3比o1强在哪里？

OpenAI 铺垫了12天发布的 o3 到底咋样？

Gemini 2.0重磅来袭！AI实力再进化，你准备好了吗？

热门标签