ചങ്കിംഗും ഡോക്യുമെൻ്റ് തയ്യാറാക്കലും

നേട്ടങ്ങൾ:

• ചങ്ക് വലുപ്പം, ഓവർലാപ്പ്, സെമാൻ്റിക് ചങ്കിംഗ് ട്രേഡ്ഓഫുകൾ എന്നിവ സംഖ്യാപരമായി വിലയിരുത്തുക
• വ്യത്യസ്ത ഡോക്യുമെൻ്റ് തരങ്ങൾക്ക് (PDF, ടേബിൾ, കോഡ്, ചാറ്റ് ലോഗ്) അനുയോജ്യമായ ചങ്കിംഗ് തന്ത്രം തിരഞ്ഞെടുക്കുന്നു
• ഓരോ ചങ്കിലേക്കും മെറ്റാഡാറ്റ ചേർത്തുകൊണ്ട് വീണ്ടെടുക്കൽ ഗുണനിലവാരവും ഫിൽട്ടറിംഗും ശക്തിപ്പെടുത്തുക

RAG-ലെ ഏറ്റവും അവഗണിക്കപ്പെട്ടതും എന്നാൽ ഏറ്റവും നിർണായകവുമായ ഘട്ടമാണിത്: നിങ്ങൾ എങ്ങനെയാണ് പ്രമാണം തകർക്കുന്നത്. ഇതിനെ ചങ്കിംഗ് എന്ന് വിളിക്കുന്നു. നിങ്ങൾ ഒരേ മോഡലിന് ഒരേ ഡോക്യുമെൻ്റ് നൽകിയാലും, മോശം ചങ്കിംഗ് കാരണം വീണ്ടെടുക്കൽ തെറ്റായ ഭാഗം നൽകുന്നു, മോഡൽ ഒരിക്കലും മികച്ച ഉത്തരം നൽകില്ല. ഈ യൂണിറ്റിൽ, വിഘടന തന്ത്രങ്ങൾ, ഡോക്യുമെൻ്റ് തരത്തിനനുസരിച്ച് അവയെ എങ്ങനെ പൊരുത്തപ്പെടുത്താം, ഓരോ ശകലത്തിലും അർത്ഥവത്തായ മെറ്റാഡാറ്റ എങ്ങനെ ചേർക്കാം എന്നിവ ഞങ്ങൾ കവർ ചെയ്യുന്നു.

എന്തുകൊണ്ടാണ് നമ്മൾ കീറിക്കളയുന്നത്?

മൂന്ന് കാരണങ്ങളുണ്ട്. ആദ്യം, ഉൾച്ചേർക്കൽ മോഡലുകൾ ഒരു നിശ്ചിത ദൈർഘ്യം വരെയുള്ള ടെക്‌സ്‌റ്റ് അർത്ഥവത്തായ വെക്‌ടറാക്കി മാറ്റുന്നു; 40 പേജുള്ള മുഴുവൻ അധ്യായവും ഒരൊറ്റ വെക്‌ടറിൽ ഒതുക്കുകയാണെങ്കിൽ, അർത്ഥം "മങ്ങിക്കപ്പെടുന്നു". രണ്ടാമതായി, സന്ദർഭമായി ആവശ്യമുള്ള ഭാഗം മാത്രം മോഡലിന് നൽകാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു; മുഴുവൻ രേഖയും കൈമാറുന്നത് ചെലവേറിയതും ശ്രദ്ധ തിരിക്കുന്നതുമാണ്. മൂന്നാമതായി, വീണ്ടെടുക്കൽ കൃത്യമാകണമെങ്കിൽ, തിരയൽ യൂണിറ്റ് ചെറുതും ഫോക്കസ് ചെയ്തതുമായിരിക്കണം.

അതിനാൽ വീണ്ടെടുക്കലിൻ്റെ ഏറ്റവും ചെറിയ യൂണിറ്റാണ് ചങ്ക്. ഇത് വളരെ വലുതോ ചെറുതോ ആയിരിക്കരുത് - ശരിയാണ്.

ചങ്ക് വലുപ്പവും ഓവർലാപ്പ് ബാലൻസും

രണ്ട് പ്രധാന ക്രമീകരണങ്ങൾ ഉണ്ട്: ചങ്ക് വലുപ്പം (ഒരു ചങ്കിൽ എത്ര ടോക്കണുകൾ/പദങ്ങൾ ഉണ്ടായിരിക്കും), ഓവർലാപ്പ് (അയൽ ഭാഗങ്ങൾ പങ്കിടുന്ന ഭാഗം).

വളരെ ചെറിയ കഷണങ്ങൾ (ഉദാ. 100 ടോക്കണുകൾ): ഫോക്കസ് ചെയ്തെങ്കിലും സന്ദർഭത്തിൽ നിന്ന് വിച്ഛേദിക്കപ്പെട്ടിരിക്കുന്നു. "14 ദിവസത്തേക്ക്" എന്ന് അദ്ദേഹം പറയുന്നു, എന്നാൽ 14 ദിവസം എന്താണെന്ന് മുൻ വാക്യത്തിൽ അവശേഷിക്കുന്നു. വളരെ വലിയ കഷണങ്ങൾ (ഉദാ. 2000 ടോക്കണുകൾ): സന്ദർഭം സംരക്ഷിക്കുന്നു, പക്ഷേ പല ത്രെഡുകൾ കൂടിച്ചേർന്നതാണ്; ഉൾച്ചേർക്കൽ ആശയക്കുഴപ്പത്തിലാകുകയും അപ്രസക്തമായ വിഷയങ്ങൾ കൂടിച്ചേരുകയും ചെയ്യുന്നു.

ഓവർലാപ്പ് അതിർത്തി പ്രശ്നം പരിഹരിക്കുന്നു. ഒരു വാക്യം കൃത്യമായി രണ്ട് ഭാഗങ്ങളുടെ അതിർത്തിയിൽ വീണാൽ, അത് ഓവർലാപ്പ് ചെയ്യാതെ രണ്ടായി വിഭജിക്കുകയും അതിൻ്റെ അർത്ഥം നഷ്ടപ്പെടുകയും ചെയ്യുന്നു. 50-100 ടോക്കണുകളുടെ ഓവർലാപ്പ് പരിധിക്കുള്ളിൽ വരുന്ന വിവരങ്ങൾ ഒരു ഭാഗത്തെങ്കിലും കേടുകൂടാതെയിരിക്കുന്നുവെന്ന് ഉറപ്പാക്കുന്നു.

ചങ്ക് വലിപ്പം

പ്രയോജനം

ദോഷം

ഉചിതമായ ഉള്ളടക്കം

ചെറുത് (100-250 ടോക്കണുകൾ)

ഉയർന്ന സെൻസിറ്റിവിറ്റി, ഫോക്കസ്ഡ്

സന്ദർഭം തകർന്നേക്കാം

പതിവുചോദ്യങ്ങൾ, ഹ്രസ്വ ലേഖനങ്ങൾ, നിർവചനങ്ങൾ

ഇടത്തരം (300-600 ടോക്കണുകൾ)

ബാലൻസ്; മിക്ക സാഹചര്യങ്ങളും

—

നടപടിക്രമങ്ങൾ, നയ പാഠങ്ങൾ

വലുത് (800-1500 ടോക്കണുകൾ)

സന്ദർഭ സമഗ്രത

മങ്ങിയ ഉൾച്ചേർക്കൽ

ആഖ്യാനം, നീണ്ട വിശദീകരണങ്ങൾ

നുറുങ്ങ്: എവിടെ തുടങ്ങണമെന്ന് നിങ്ങൾക്ക് അറിയില്ലെങ്കിൽ, 400-500 ടോക്കൺ ചങ്കും 50-80 ടോക്കൺ ഓവർലാപ്പും ഉപയോഗിച്ച് ആരംഭിക്കുക; തുടർന്ന് നിങ്ങളുടെ സ്വന്തം ഡാറ്റ ഉപയോഗിച്ച് അളക്കുകയും ക്രമീകരിക്കുകയും ചെയ്യുക. "വലത്" വലിപ്പം സാർവത്രികമല്ല, അത് സന്ദർഭത്തെ ആശ്രയിച്ചിരിക്കുന്നു.

ചങ്കിംഗ് തന്ത്രങ്ങൾ

നിശ്ചിത വലുപ്പം: ഓരോ N ടോക്കണുകളിലും വാചകം ട്രിം ചെയ്യുന്നു. ഇത് ലളിതവും വേഗമേറിയതുമാണ്, എന്നാൽ മധ്യ വാക്യത്തെ തടസ്സപ്പെടുത്താം.

സെപ്പറേറ്റർ അടിസ്ഥാനമാക്കിയുള്ള (ആവർത്തന / വേർതിരിക്കൽ): ഖണ്ഡിക അനുസരിച്ച് വിഭജിക്കുന്നു, തുടർന്ന് വാക്യ അതിരുകൾ; ഇത് അർത്ഥത്തിൻ്റെ സമഗ്രത നന്നായി സംരക്ഷിക്കുന്നു. മിക്ക ഉൽപാദന സംവിധാനങ്ങളും ഇതിൽ നിന്നാണ് ആരംഭിക്കുന്നത്.

സെമാൻ്റിക് ചങ്കിംഗ്: ഇത് വാക്യങ്ങളുടെ ഉൾച്ചേർക്കലുകൾ നോക്കുകയും വിഷയ മാറ്റം സംഭവിക്കുന്നിടത്ത് അവയെ വിഭജിക്കുകയും ചെയ്യുന്നു. ഇത് ഏറ്റവും ഉയർന്ന നിലവാരമുള്ളതും എന്നാൽ ഏറ്റവും ചെലവേറിയതുമായ രീതിയാണ്; വലിയ അളവിൽ, ഇടപാട് ചെലവ് വർദ്ധിക്കുന്നു.

ഘടനാപരമായ അവബോധം: തലക്കെട്ടുകൾ, വിഭാഗങ്ങൾ, പട്ടികകൾ തുടങ്ങിയ പ്രമാണ ഘടന ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, ഒരു മാർക്ക്ഡൗൺ പ്രമാണത്തെ തലക്കെട്ടുകൾ ഉപയോഗിച്ച് വിഭജിക്കുന്നത് ഓരോ ഭാഗത്തിനും അതിൻ്റേതായ തലക്കെട്ടുണ്ടെന്ന് ഉറപ്പാക്കുന്നു.

ഡോക്യുമെൻ്റ് തരം അനുസരിച്ച് പൊരുത്തപ്പെടുത്തൽ

എല്ലാ പ്രമാണങ്ങളും ഒരുപോലെയല്ല. തന്ത്രം തരം അനുസരിച്ച് വ്യത്യാസപ്പെടുന്നു:

• PDF/നയ വാചകം: ബുക്ക്മാർക്ക് അടിസ്ഥാനമാക്കിയുള്ള, ഇടത്തരം വലിപ്പം. പേജ് മുകളിൽ/താഴെയുള്ള ആവർത്തനങ്ങൾ മായ്‌ക്കുക (തലക്കെട്ട്/അടിക്കുറിപ്പ്).
• പട്ടികകൾ: സന്ദർഭത്തിൽ നിന്ന് ലൈൻ എടുക്കരുത്; തലക്കെട്ട് വിവരങ്ങൾ ഉപയോഗിച്ച് ഓരോ വരിയും സൂക്ഷിക്കുക ("ഇനം: X, വില: Y, സ്റ്റോക്ക്: Z"). റോ ടേബിൾ പ്ലെയിൻ ടെക്സ്റ്റിലേക്ക് പരിവർത്തനം ചെയ്യുന്നത് പലപ്പോഴും അത്യാവശ്യമാണ്.
• കോഡ്: ഫംഗ്‌ഷൻ/ക്ലാസ് അതിരുകൾ പ്രകാരം വിഭജിക്കുക; ഒരു ഫംഗ്‌ഷൻ വഴിയിൽ നിന്ന് ഒഴിവാക്കരുത്.
• ചാറ്റ്/ടിക്കറ്റ് റെക്കോർഡിംഗ്: സന്ദേശം അല്ലെങ്കിൽ സംഭാഷണം റൗണ്ട് വഴി വിഭജിക്കുക; ആരാണ് എന്താണ് പറഞ്ഞത് എന്ന അറിവ് നിലനിർത്തുക.

# ബ്രാക്കറ്റ് അധിഷ്ഠിത ചങ്കിംഗ് (സങ്കല്പപരമായ) ചങ്കുകൾ = ബോൾ (ടെക്സ്റ്റ്, ടാർഗെറ്റ്_സൈസ്=450, # ടോക്കൺ ഓവർലാപ്പ്=70, # ടോക്കൺ ബ്രാക്കറ്റുകൾ=["\n\n", "\n", ". ", " "] # ഖണ്ഡിക ആദ്യം, വാക്ക് അവസാനം)

ഓരോ ട്രാക്കിലേക്കും മെറ്റാഡാറ്റ ചേർക്കുക

ചങ്കിംഗ് എന്നത് "വിഭജനം" മാത്രമല്ല; ഓരോ ഭാഗവും സമ്പന്നമാക്കുക എന്നതാണ്. നിങ്ങൾ ട്രാക്കിൽ അറ്റാച്ചുചെയ്യുന്ന ഓരോ ടാഗും ഭാവിയിൽ ഫിൽട്ടറിംഗിനും ഉറവിട ഉദ്ധരണികൾക്കും സ്വർണ്ണത്തിൽ വിലയുള്ളതാണ്.

# സമ്പുഷ്ടമായ ചങ്ക് (സങ്കൽപ്പം){ "ടെക്‌സ്റ്റ്": "1-5 വർഷത്തെ സേവനത്തോടുകൂടിയ വാർഷിക ശമ്പളത്തോടുകൂടിയ അവധി 14 ദിവസമാണ്...", "മെറ്റാഡാറ്റ": { "source": "ik_el_kitabi_v7.pdf", "section": "5.2 വാർഷിക അവധി", "പേജ്": 23, "തീയതി, 25-0:" "സ്വകാര്യത": "ആന്തരികം" }}

മറ്റൊരു ശക്തമായ സാങ്കേതികത സന്ദർഭോചിതമായ തലക്കെട്ട് ചേർക്കുന്നു: ഓരോ ഭാഗത്തിൻ്റെയും തുടക്കത്തിൽ അത് ഉൾപ്പെടുന്ന അധ്യായത്തിൻ്റെ ശീർഷകം എഴുതുക. അതിനാൽ, "14 ദിവസത്തേക്ക്" പോലെയുള്ള ഒരു വിഭജനം പോലും "വാർഷിക അവധി - 14 ദിവസം" എന്ന നിലയിൽ മികച്ചതും കൂടുതൽ അർത്ഥപൂർണ്ണവുമാണ്.

ദുർബലമായ ചങ്കിംഗ് / ശക്തമായ ചങ്കിംഗ്

ദുർബലമായ (അന്ധമായ ഹാർഡ്കട്ട്, മെറ്റാഡാറ്റ ഇല്ല):

ഓരോ 1000 പ്രതീകങ്ങളിലും വാചകം ചുരുക്കുക. വാചകം മാത്രം സൂക്ഷിക്കുക.# ഫലം: പട്ടികകൾ മധ്യഭാഗത്തായി വിഭജിക്കപ്പെട്ടിരിക്കുന്നു, "14 ദിവസം" സന്ദർഭമില്ലാതെ അവശേഷിക്കുന്നു,# ഏത് രേഖയിൽ നിന്നാണ് ഇത് വന്നതെന്ന് അറിയില്ല, ഒരു ഫിൽട്ടറും നിർമ്മിക്കാൻ കഴിയില്ല.

ശക്തം (ഘടന-അവബോധം + തലക്കെട്ട് + മെറ്റാഡാറ്റ):

പ്രമാണത്തെ തലക്കെട്ടുകളാൽ വിഭജിക്കുക; ഓരോ ഭാഗത്തിനും വിഭാഗത്തിൻ്റെ പേര് ചേർക്കുക; ഉറവിടം, പേജ്, തീയതി, സ്വകാര്യത മെറ്റാഡാറ്റ എന്നിവ അറ്റാച്ചുചെയ്യുക; ടേബിൾറോകളെ അവയുടെ തലക്കെട്ടുകൾ ഉപയോഗിച്ച് പ്ലെയിൻ ടെക്‌സ്‌റ്റിലേക്ക് മാറ്റുക.# ഫലം: ഫോക്കസ് ചെയ്‌ത, സന്ദർഭോചിതമായ, ഫിൽട്ടർ ചെയ്യാവുന്ന, ഉറവിടം

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - പെയിൻ്റിംഗ് ദുരന്തം. ഒരു ധനകാര്യ സംഘം 200 പേജുള്ള വില ലിസ്റ്റ് ബ്ലൈൻഡ് ഹാർഡ് കട്ടിംഗ് ഉപയോഗിച്ച് വിഭജിച്ചു; പട്ടിക വരികൾ ക്രമരഹിതമായി പിളർന്നു. "X ഉൽപ്പന്നത്തിൻ്റെ വില എന്താണ്?" മോഡൽ തെറ്റായ വരി വായിച്ച് തെറ്റായ വില നൽകി (12 കേസുകളിൽ 9 എണ്ണം തെറ്റാണ്). ഞാൻ "ഉൽപ്പന്നം: … | വില: … | യൂണിറ്റ്: ..." ഫോർമാറ്റിൽ ടേബിൾ വരികൾ പ്ലെയിൻ ടെക്സ്റ്റിലേക്ക് പരിവർത്തനം ചെയ്തപ്പോൾ പിശക് 12 ൽ 0 ആയി കുറഞ്ഞു.

കേസ് 2 - വളരെ വലിയ കഷണം. ഒരു വിക്കിയിൽ, ഓരോ പേജും ഒരു കഷണം കൊണ്ടാണ് നിർമ്മിച്ചിരിക്കുന്നത് (ചിലർ പറയുന്നത് 3,000 ടോക്കണുകൾ). ഒരു പേജിൽ "ലീവ്", "ഓവർടൈം", "പേറോൾ" എന്നിവ ഉള്ളതിനാൽ എംബഡിംഗ് മങ്ങിയിരിക്കുന്നു; ലീവ് ചോദ്യം സംബന്ധിച്ച് ജോലി സമയം എന്ന വിഭാഗവും രംഗത്തെത്തി. തലക്കെട്ട് അനുസരിച്ച് പേജുകൾ ഇടത്തരം വലിപ്പത്തിൽ വിഭജിച്ചപ്പോൾ, recall@5 64% ൽ നിന്ന് 91% ആയി വർദ്ധിച്ചു.

കേസ് 3 - ഓവർലാപ്പ് ഇല്ലാതെ വെട്ടിച്ചുരുക്കിയ വാചകം. ഒരു ലീഗൽ ടീമിന് 250 ടോക്കൺ ഫിക്സഡ് കട്ട്, ഓവർലാപ്പ് ഇല്ല. ഒരു നിർണായക നിർവചനം രണ്ട് ഭാഗങ്ങളുടെ അതിർത്തിയിൽ വീണു, രണ്ടായി പിളർന്നു; ഒന്നോ രണ്ടോ പൂർണ്ണമായ ഉത്തരം ഉൾക്കൊള്ളുന്നില്ല. 60 ടോക്കൺ ഓവർലാപ്പ് ചേർത്തപ്പോൾ, അതേ നിർവചനം ഒരു കഷണത്തിൽ അതേപടി നിലനിൽക്കുകയും ശരിയായ ഉത്തരം നൽകുകയും ചെയ്തു.

സാധാരണ തെറ്റുകൾ

• ബ്ലൈൻഡ് ഫിക്സഡ് കട്ട്: മധ്യഭാഗത്ത് വാക്യങ്ങളും പട്ടികകളും വിഭജിക്കുന്നു; അർത്ഥം നഷ്ടപ്പെട്ടു.
• ഓവർലാപ്പ് പൂജ്യത്തിൽ വിടുന്നു: അതിർത്തിയിൽ വീഴുന്ന വിവരങ്ങൾ വിഭജിക്കപ്പെടുകയും നഷ്ടപ്പെടുകയും ചെയ്യുന്നു.
• മെറ്റാഡാറ്റ ചേർക്കുന്നില്ല: ഫിൽട്ടറിംഗും ഉറവിട ഡിസ്പ്ലേയും അസാധ്യമാണ്.
• പട്ടികകൾ അസംസ്കൃതമായി വിടുന്നു: മോഡലിന് പട്ടികയുടെ ഘടന പരിഹരിക്കാൻ കഴിയില്ല; വരികൾ പ്ലെയിൻ ടെക്സ്റ്റിലേക്ക് പരിവർത്തനം ചെയ്യുക.
• ഒരു തന്ത്രം അടിച്ചേൽപ്പിക്കുന്നു: PDF, കോഡ്, പട്ടിക എന്നിവ ഒരേ രീതിയിൽ വിഭജിക്കപ്പെടുന്നില്ല; വിഭാഗവുമായി പൊരുത്തപ്പെടുക.

മുന്നറിയിപ്പ്: ഒരിക്കൽ ചങ്കിംഗ് സജ്ജീകരിച്ച് അത് മറക്കരുത്. പുതിയ ഡോക്യുമെൻ്റ് തരങ്ങൾ (ഒരു പുതിയ സിസ്റ്റത്തിൽ നിന്നുള്ള ടിക്കറ്റുകൾ, സ്കാൻ ചെയ്‌ത PDF-കൾ) എത്തുമ്പോൾ വീണ്ടെടുക്കൽ ഗുണനിലവാരം വീണ്ടും അളക്കുക. മോശം ഇൻപുട്ട് ഡാറ്റ അർത്ഥമാക്കുന്നത് മോശം പ്രതികരണമാണ് ("ഗാർബേജ് ഇൻ, ഗാർബേജ് ഔട്ട്").

ചുരുക്കത്തിൽ

• വീണ്ടെടുക്കലിൻ്റെ ഏറ്റവും ചെറിയ യൂണിറ്റാണ് ചങ്ക്; വളരെ വലുതോ ചെറുതോ അല്ല - അത് ഉള്ളടക്കത്തിനനുസരിച്ച് സന്തുലിതമാക്കണം.
• ചങ്ക് വലുപ്പം ഫോക്കസ്-സന്ദർഭ ബാലൻസ് സൂചിപ്പിക്കുന്നു; ഓവർലാപ്പ് ബൗണ്ടറി നഷ്ടം നിയന്ത്രിക്കുന്നു.
• ബ്രാക്കറ്റ് അധിഷ്ഠിതവും ഘടനാപരമായ അവബോധമുള്ളതുമായ ചങ്കിംഗ് ആണ് മിക്ക ജനറേഷൻ സിസ്റ്റങ്ങളുടെയും ആരംഭ പോയിൻ്റ്; സെമാൻ്റിക് ചങ്കിംഗ് നല്ല നിലവാരമുള്ളതും എന്നാൽ ചെലവേറിയതുമാണ്.
• പട്ടിക, സ്ക്രിപ്റ്റ്, ചാറ്റ് എന്നിവ പോലുള്ള തരങ്ങൾക്ക് അവരുടേതായ തന്ത്രങ്ങൾ ആവശ്യമാണ്; ടേബിളുകൾ പ്ലെയിൻ ടെക്സ്റ്റിലേക്ക് പരിവർത്തനം ചെയ്യുക.
• ഓരോ ട്രാക്കിലേക്കും ഉറവിടം/തീയതി/അധ്യായം/സ്വകാര്യത മെറ്റാഡാറ്റയും വിഭാഗ ശീർഷകവും ചേർക്കുക; ഇതാണ് ഫിൽട്ടറിംഗിൻ്റെയും ഉദ്ധരണിയുടെയും അടിസ്ഥാനം.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങൾ തിരഞ്ഞെടുക്കുന്ന ഡോക്യുമെൻ്റിൻ്റെ ഒരു ഭാഗം മൂന്ന് വ്യത്യസ്ത രീതികളായി വിഭജിക്കുക: (1) 200 ടോക്കണുകളുടെ ചെറിയ കഷണങ്ങൾ, (2) 500 ടോക്കണുകളുടെ ഇടത്തരം കഷണങ്ങൾ (70 ടോക്കൺ ഓവർലാപ്പ്), (3) ഒറ്റ വലിയ കഷണങ്ങൾ. ഓരോ തന്ത്രത്തിനും ഒരേ 3 ചോദ്യങ്ങൾ ചോദിക്കുക, ഏത് ഭാഗമാണ് കൊണ്ടുവരേണ്ടതെന്ന് സ്വമേധയാ അടയാളപ്പെടുത്തുക, കൂടാതെ ഏത് തന്ത്രമാണ് ആ പ്രമാണത്തിന് ഏറ്റവും മികച്ചത് എന്നതിൻ്റെ ന്യായവാദം എഴുതുക. തുടർന്ന് ഓരോ ട്രാക്കിലേക്കും കുറഞ്ഞത് നാല് മെറ്റാഡാറ്റ ഫീൽഡുകളും ഒരു "അധ്യായ ശീർഷകവും" ചേർക്കുക. ഡോക്യുമെൻ്റിൽ ഒരു പട്ടിക ഉണ്ടെങ്കിൽ, "ഫീൽഡ്: മൂല്യം" ഫോർമാറ്റിൽ ഒരു ടേബിൾ വരി പ്ലെയിൻ ടെക്സ്റ്റിലേക്ക് പരിവർത്തനം ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] വീണ്ടെടുക്കലിൻ്റെ ഏറ്റവും ചെറിയ യൂണിറ്റാണ് ചങ്ക് എന്നും വലിപ്പം എന്നത് ഫോക്കസ്-കോൺടെക്സ്റ്റ് ബാലൻസ് ആണെന്നും എനിക്ക് പറയാൻ കഴിയും.
• [ ] ഓവർലാപ്പ് ബോർഡറി നഷ്ടം തടയുന്നത് എന്തുകൊണ്ടാണെന്ന് എനിക്കറിയാം.
• [ ] എനിക്ക് ബ്രാക്കറ്റ് അധിഷ്‌ഠിതവും സെമാൻ്റിക്, സ്ട്രക്ചർ-അവേർ ചങ്കിംഗ് എന്നിവ തമ്മിൽ വേർതിരിച്ചറിയാൻ കഴിയും.
• [ ] പട്ടിക, കോഡ്, ചാറ്റ് എന്നിവയ്‌ക്കായുള്ള തന്ത്രം എനിക്ക് പൊരുത്തപ്പെടുത്താനാകും.
• [ ] ഓരോ ട്രാക്കിലേക്കും മെറ്റാഡാറ്റയും ചാപ്റ്റർ ശീർഷകവും ചേർത്തുകൊണ്ട് ഞാൻ വീണ്ടെടുക്കൽ ശക്തിപ്പെടുത്തുന്നു.