一、流程图概述

• 视频查询处理
• 文章查询处理
• 文本分割与向量化
• 向量数据库查询
• 结果推荐与分类
  
  

二、视频查询处理

• 长视频处理：用户提交一个长视频查询，系统首先通过文本转语音（Speech-to-Text, STT）技术将视频中的音频内容转换为文字，并保留时间戳信息。这样可以将视频的语音内容结构化，便于后续处理。
• 大模型+文本分割：在获得带时间戳的长文本后，利用自然语言处理（NLP）的大模型对文本进行分割。大模型能够理解文本的语义，并将长文本分割成多个具有独立意义的短文本，同时保留时间戳。
• 视频剪辑与摘要：根据文本分割的结果，系统能够自动生成视频剪辑和摘要。这一步骤使用视频剪辑技术，将长视频分割成多个短视频片段，每个片段对应一个短文本摘要。这样可以快速定位视频中的关键信息，便于用户查阅和理解。
  
  

三、文章查询处理

• HTML标签去除：用户提交的文章通常包含HTML标签和其他格式信息。系统首先对文章进行预处理，去除HTML标签，提取纯文本内容。这一步骤可以清理文本数据，去除噪音，使得后续的文本处理更加高效。
  
  

四、文本分割与向量化

• 文本分割：无论是视频生成的短文本还是文章的纯文本，都会进行文本分割。文本分割是将长文本切分成较小的文本块，以便后续处理。分割参数设定为chunk_size=500和chunk_overlap=100，即每个文本块包含500个字符，并且相邻块之间有100个字符的重叠。这种方法可以确保文本的连续性和上下文的完整性，防止信息丢失。
• 文本向量化：分割后的文本块需要转换为机器可以处理的向量格式。使用bce-embedding技术，将文本块转化为768维的向量。向量化表示能够捕捉文本的语义信息，使得相似的文本在向量空间中距离较近，便于后续的向量数据库查询。
  
  

五、向量数据库查询

• Milvus数据库：向量化后的文本数据存储在Milvus向量数据库中。Milvus是一种高效的向量数据库，能够快速进行向量相似性搜索。系统根据用户当前的查询，将查询转换为向量，并在Milvus数据库中搜索与查询向量相似的文本向量，以找到最相关的文本片段。

• 找医库逻辑：在某些应用场景中，例如医疗咨询，系统需要根据查询内容推荐相关的医生、医院或治疗方案。如果无法从用户信息中获取定位，则系统会根据当前的查询内容推断位置，进行推荐分类。这样可以提供个性化的医疗咨询服务，满足用户的特定需求。

  
  

六、结果推荐与分类

• 推荐分类：根据Milvus数据库查询的结果，系统会对推荐结果进行分类。推荐结果由大模型生成的query提供。系统根据当前query的内容，获取推荐的分类信息，提供精准的推荐结果。例如，在医疗咨询中，系统会推荐相关的医生或医院。
• 大模型回答：如果用户的查询不需要推荐分类，系统将由大模型直接回答用户的问题。大模型具备强大的语义理解和生成能力，能够提供高质量的回答，满足用户的查询需求。
• 输出结果：最终，系统将推荐结果或大模型生成的回答反馈给用户，完成整个查询处理过程。
  
  

七、应用场景分析

• 医疗咨询：用户提交医疗相关的视频或文章查询，系统能自动提取并推荐相关的医生、医院或治疗方案，提供个性化的医疗咨询服务。例如，用户提交一个关于某种疾病的视频，系统会生成疾病的摘要信息，并推荐相关的专家和治疗方案。
• 教育培训：教育领域的视频或文章查询，可以通过系统自动生成课程摘要和知识点，辅助教学和学习。例如，学生提交一个长视频课程，系统会生成视频摘要和课程要点，帮助学生更好地理解和掌握知识。
• 内容审核：针对长视频的内容审核，通过系统自动生成的视频摘要和文本，可以快速定位和分析视频中的关键信息，提高审核效率。例如，内容审核员提交一个长视频，系统会生成视频的文本摘要，帮助审核员快速识别违规内容。
  
  

八、技术优势

• 高效处理：文本转语音和大模型的结合，使得长视频内容能够快速转化为结构化文本，提高处理效率。系统可以自动处理大量视频和文本数据，减少人工干预，提升工作效率。
• 精准推荐：基于向量数据库的推荐系统，能够根据用户查询提供精准的推荐结果。向量化表示能够捕捉文本的语义信息，使得推荐结果更加准确和相关。
• 智能回答：大模型的智能回答能力，使得系统能够应对多样化的用户查询需求，提供精准的答案。大模型具备强大的语义理解和生成能力，能够生成高质量的回答，满足用户的查询需求。