如何用 MinHash 和 LSH 找出 RAG 資料中的相似檔案
Finding near-duplicate documents with MinHash and LSH before you index them for RAG
重點導讀
RAG 資料裡如果有很多相似檔案,搜尋結果可能被同一段內容的副本塞滿。
- 作者示範把檔案切成連續片語,再用 MinHash 估算相似程度,並透過 LSH 找出可能重複的檔案,不必逐一比較所有檔案。測試中,原政策和副本的相似度是 0.92。
- 新版政策雖然改了退款天數,和舊版仍有 0.66 的相似度。作者提醒,副本可以刪除,但不同版本可能記載不同規定,應依日期或版本資料處理,避免把舊資訊留在索引裡。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
信源出處dev.to
Finding near-duplicate documents with MinHash and LSH before you index them for RAG
本文為 888news 精選之重點導讀。若需閱讀作者完整原文、技術細節與官方討論,請前往原始網站。
來源: Dev.to Top Tech (dev.to)
開啟原文