第356章 哭死我了[第1页/共3页]

我将分为四个部分来先容我的毕业论文。起首是研讨背景。那么为甚么要展开我这个研讨呢？跟着信息技术和收集技术的快速生长下，非布局化数据的比例敏捷上升，传统的数据库并不能存储这些数据，以是这无疑带来了数据办理范畴的严峻应战。文献是科技事情者获得知识的首要来源。英语作为国际通用说话，英文文献的首要性便不言而喻。文献凡是以PDF停止存储。传统的pdf信息提取，比较范围，采取野生查阅的体例来实现，是以，这必然产生大量人力物力的华侈。

在本项目中，利用大模型的 Embedding API 来将先前颠末措置的布局化数据转化为知识向量。

程度地加强了大说话模型在特定范畴的可托度和合用性。

1）获得尝试数据并预措置数据，包含爬取数量尽能够多的关于电力行业的 LCA 的英文文

全部社会朝着更加可持续的将来迈进。

随掉队行数据汇集，爬取加野生汇集。对两种体例汇集的文献数据停止清算，将元数据记录好，并同一格局，用于后续的检索。最后是文献的邃密遴选。因为RAG技术就是要增加大说话模型在专业范畴的可托程度，处理大说话模型的幻觉题目。那在数据的拔取上就更方向于专业程度更高的文献范例数据。

调用 embedding API 将先前的布局化数据全数转化为向量，此时大量的向量数据需求检索与存

善信息检索的精度和效力，使得模型在天生文本时能够更好地鉴戒内部知识和信息，从而产生更准

不管是医疗、法律还是其他任何需求措置和阐发大量文献的范畴，都能够鉴戒本研讨的服从，构建

献，对其元数据停止措置，构建数据库。

义搜刮、文档聚类和保举体系）的根本。

保举体系：基于向量的近邻搜刮能够保举类似的研讨或文献。

它以向量作为根基数据范例，支撑向量的存储、索引、查询和计算。向量是一组有序数，凡是用于

智能化生长。

文档聚类：利用向量表达停止机器学习聚类算法，以发明数据中的形式或分组。

等）分类读取。

习和天然说话措置范畴，这类转化答应算法在数学上操纵和阐发文本数据，是实现初级服从（如语

据与元数据，对元数据停止根基措置，为后续阐发供应帮忙，丰富向量知识库的数据储备。随后为

向量知识库是一个高效、布局化的数据存储体系，它将各种数据（如文本、图象、音频等）转

确、更有效的内容。该文献措置体系颠末端实际测试，并以 Chatbot 形式揭示了杰出的利用结果。

化为向量情势停止存储。这类表示体例使得数据之间的类似性和关联性得以量化，从而支撑更加精