Legal_Expert_Contract_Advisor_Using_Precision_RAG

合同問答抹布系統

概述

該項目旨在使用檢索型發電（RAG）開發一種用於合同問答的高精度法律專家系統。該系統利用先進的自然語言處理（NLP）技術為有關法律合同的問題提供準確和上下文感知的答案，並將強大的語言模型與自定義檢索機制相結合，以提供與合同相關查詢的準確和上下文相關的答案。

目錄

• 概述
• 項目結構
• 安裝
• 用法
• 發展
• 評估
• 優化技術
• 貢獻
• 執照
• 致謝
• 接觸

特徵

• 合同問答的檢索授權生成（RAG）管道
• 可自定義的檢索器和發電機組件
• 使用Ragas指標的評估框架
• 優化技術以提高性能

項目結構

 Legal_Expert_Contract_Advisor_Using_Precision_RAG/
├── data/
│   ├── raw/
│   ├── processed/
│   └── evaluation/
├── notebooks/
│   ├── 1_data_exploration.ipynb
│   ├── 2_rag_implementation.ipynb
│   └── 3_evaluation_and_optimization.ipynb
├── src/
│   ├── data/
│   │   ├── __init__.py
│   │   ├── preprocess.py
│   │   └── load_data.py
│   ├── models/
│   │   ├── __init__.py
│   │   ├── retriever.py
│   │   └── generator.py
│   ├── evaluation/
│   │   ├── __init__.py
│   │   └── metrics.py
│   └── utils/
│       ├── __init__.py
│       └── helpers.py
├── tests/
│   ├── test_data.py
│   ├── test_models.py
│   └── test_evaluation.py
├── config.yaml
├── requirements.txt
├── setup.py
├── main.py
├── .gitignore
└── README.md

• data/ ：包含原始的和處理過的數據文件
• notebooks/ ：用於探索，實施和評估的jupyter筆記本
• src/ ：抹布系統的源代碼
  • data/ ：數據加載和預處理腳本
  • models/ ：檢索器和生成器模型實現
  • evaluation/ ：評估指標和腳本
  • utils/ ：輔助功能和實用程序
• tests/ ：各種組件的單元測試
• config.yaml ：項目設置的配置文件
• requirements.txt ：項目依賴性列表
• setup.py ：項目的設置腳本
• main.py ：運行抹布系統的主要入口點

安裝

1. 克隆存儲庫

git clone https://github.com/dev-abuke/Legal_Expert_Contract_Advisor_Using_Precision_RAG.git

2. 導航到項目目錄

 cd Legal_Expert_Contract_Advisor_Using_Precision_RAG

3. 創建虛擬環境

python -m venv venv

4. 激活環境

 source venv/bin/activate  # On Windows, use venvScriptsactivate

3. 安裝所需的依賴項：

pip install -r requirements.txt

用法

1. 準備您的合同數據並將其放入data/raw/目錄中。

2. 預處理數據

python src/data/preprocess.py

3. 運行抹布系統

python main.py

4. 評估系統性能：

python src/evaluation/evaluate.py

發展

• 使用notebooks/目錄中的jupyter筆記本進行探索和原型製作。
• 在src/目錄中實現核心功能。
• 在tests/目錄中添加單元測試。
• 使用config.yaml管理項目設置。

評估

使用以下指標評估系統的性能

• 檢索精度和召回
• 回答相關性
• 事實準確性
• 響應相干

有關詳細的結果和分析，請參閱評估筆記本。

優化技術

該項目探討了各種優化技術，包括

1. 檢索的高級嵌入模型
2. 混合搜索方法
3. 查詢擴展
4. 分塊策略
5. 及時的工程

貢獻

歡迎改善系統的貢獻。請按照以下步驟操作：

1. 分叉存儲庫
2. 創建一個新的分支（ git checkout -b feature/your-feature ）
3. 進行更改並提交它們（ git commit -am 'Add new feature' ）
4. 推到分支（ git push origin feature/your-feature ）
5. 創建一個新的拉請請求

執照

該項目是根據MIT許可證獲得許可的 - 有關詳細信息，請參見許可證文件。

致謝

• 10學院提供挑戰和學習機會
• Lizzyai的項目靈感和指導

接觸

有關任何查詢，請在此存儲庫上打開一個問題，或聯繫Abubeker Shamil。