Ver el índice ↓
El vector hereda
El libro en diagramas / Capítulo 2
Del PDF a una unidad recuperable
Antes de buscar hay que obtener texto utilizable, fragmentarlo y conservar libro y página. El índice se construye sobre esa representación.
Antes del índice / Conservar la procedencia
El vector hereda
el texto que le entregas.
Preparar lo que se busca
- PDF originalLibro y página física identificados
- Extraer y sanearOCR cuando hace falta; transformaciones registradas
- Dividir en fragmentosHasta 512 tokens, solapamiento objetivo de 64
- Crear los índicesBM25 y embeddings sobre las mismas unidades
En esta serie, ningún fragmento cruza una página física. El corte no garantiza una idea completa.
Conservar lo que se comprueba
- Texto recuperable45.802 fragmentos, sin perder su identidad
- Referencia de origen70 libros y 21.362 páginas físicas
- Página completaAtribuciones, contexto, reservas y notas
- Lectura del analistaQué permite sostener ese documento
Una puntuación de similitud ayuda a priorizar. No sustituye la lectura de la fuente.
Cómo leerlo
Los 45.802 fragmentos del experimento no cruzan páginas físicas. Un corte técnico puede conservar el contexto o perder una relación; el vector no repara ese problema por sí mismo.
Síntesis visual para la web del contenido del capítulo 2. Los esquemas explican el recorrido; no representan una herramienta en funcionamiento.
Volver al capítulo 2 →