离语

semaphore

首页 >> 离语 >> 离语最新章节(目录)
大家在看穿越战锤世界,但我没有哭出声去相亲,黄河捞尸人身份曝光了仙集女尊:姐姐们总说我好香长生从打拳开始四合院:我在四合院当禽兽有个剑仙夫君护驾什么体验亮剑:带着特战中队打鬼子霸道总裁之夜总的小娇妻真龙赘婿韩三千苏迎夏
离语 semaphore - 离语全文阅读 - 离语txt下载 - 离语最新章节 - 好看的其他类型小说

第275章 写完了~

上一章目录下一章阅读记录

2.3 检索增强生成技术

RAG(Retrieval-Augmented Generation)技术是一种结合了信息检索(Retrieval)和文本生

成(Generation)的自然语言处理(NLp)方法。核心思想是将传统的检索技术与现代的自然语言

生成技术相结合,以提高文本生成的准确性和相关性。它旨在通过从外部知识库中检索相关信息来

辅助大型语言模型(如 Gpt 系列)生成更准确、可靠的回答。

在 RAG 技术中,整个过程主要分为三个步骤如图 2.2 所示:索引( Indexing)、检索

(Retrieval)和生成(Generation)。首先,索引步骤是将大量的文档或数据集合进行预处理,将

其分割成较小的块(chunk)并进行编码,然后存储在向量数据库中。这个过程的关键在于将非结

构化的文本数据转化为结构化的向量表示,以便于后续的检索和生成步骤。接下来是检索步骤,它

根据输入的查询或问题,从向量数据库中检索出与查询最相关的前 k 个 chunk。这一步依赖于高效

的语义相似度计算方法,以确保检索到的 chunk 与查询具有高度的相关性。最后是生成步骤,它将

原始查询和检索到的 chunk 一起输入到预训练的 transformer 模型(如 Gpt 或 bERt)中,生成最

终的答案或文本。这个模型结合了原始查询的语义信息和检索到的相关上下文,以生成准确、连贯

且相关的文本。

RAG 的概念和初步实现是由 douwe Kiela、patrick Lewis 和 Ethan perez 等人在 2020 年首次

提出的。他们在论文《Retrieval-augmented generation for knowledge-intensive nlp tasks》

中详细介绍了 RAG 的原理和应用,随后谷歌等搜索引擎公司已经开始探索如何将 RAG 技术应用到搜

索结果的生成中,以提高搜索结果的准确性和相关性。在医疗领域,RAG 技术可以帮助医生快速检

索医学知识,生成准确的诊断建议和治疗方案。

2.4 文本相似度计算

文本相似度计算是自然语言处理(NLp)领域的一个重要研究方向,它旨在衡量两个或多个文

本之间的相似程度。文本相似度计算的原理基于两个主要概念:共性和差异。共性指的是两个文本

之间共同拥有的信息或特征,而差异则是指它们之间的不同之处。当两个文本的共性越大、差异越

小,它们之间的相似度就越高。

文本相似度计算可以根据不同的分类标准进行分类。首先基于统计的方法分类,这种方法主要

关注文本中词语的出现频率和分布,通过统计信息来计算文本之间的相似度。常见的基于统计的方

法有余弦相似度、Jaccard 相似度等。其次是基于语义的方法分类,这种方法试图理解文本的含义

和上下文,通过比较文本的语义信息来计算相似度。常见的基于语义的方法有基于词向量的方法

(如 word2Vec、GloVe 等)和基于主题模型的方法(如 LdA、pLSA 等)。最后是基于机器学习的方

法分类,这种方法利用机器学习算法来训练模型,通过模型来预测文本之间的相似度。常见的基于

机器学习的方法有支持向量机(SVm)、神经网络等。

目前,在国内外,文本相似度计算已经取得了丰富的成果。国内方面,清华大学等机构的研究

者提出了基于深度学习的文本相似度计算方法,利用神经网络模型来捕捉文本的深层语义信息,实

现了较高的相似度计算精度。江苏师范大学的研究者提出了利用《新华字典》构建向量空间来做中

文文本语义相似度分析的方法,该方法在中文文本相似度计算方面取得了显着的效果。放眼国外,

Google 的研究者提出了 word2Vec 算法,该算法将词语表示为高维向量空间中的点,通过计算点之

间的距离来衡量词语之间的相似度。word2Vec 算法在文本相似度计算领域具有广泛的影响。斯坦

福大学等机构的研究者提出了 bERt 模型,该模型通过大量的无监督学习来捕捉文本的上下文信

息,可以实现高精度的文本相似度计算。bERt 模型在多项自然语言处理任务中均取得了优异的表

现。

2.5 本章小结

本章主要介绍了本项目中使用的四种关键技术与模型。这些技术主要基于大型语言模型,并且

依赖于 RAG 技术的原理。介绍了知识抽取技术,它利用先进的自然语言处理技术从文本中提取有意

义的信息和知识,随后讨论了文本处理中所使用的 RAG 技术,该技术可以显着提高大型语言模型在

专业领域的性能,增强信息检索的准确性和效率。最后探讨了在文本比对过程中所需的相似度计算

方法,这对于评估文本之间的相似程度至关重要。

了解清楚数据获取来源后,进行数据采集,数据采集的方法包括自动化和手动两种方式:

自动化采集:利用编写的 python 脚本通过 ApI 接口自动从上述数据库和期刊中下载文献和元

数据,部分代码如图 3.2 所示。这种方法的优点是效率高,可以大量快速地收集数据。使用

beautifulSoup 和 Requests 库从开放获取的期刊网站爬取数据。

手动采集:通过访问图书馆、研究机构以及联系文章作者等方式获取不易自动下载的资源。虽

然此方法更费时,但有助于获取更全面的数据集,特别是一些最新或尚未公开的研究成果。

将两种方法采集到的文献数据进行汇总,最大范围的将有关电力 LcA 领域的英文文献进行汇

总,共获得 507 篇。

最后是将各个途径获取到的文献数据和元数据汇总,进行数据预处理。

采集到的数据需经过清洗和预处理,才能用于后续的分析。

数据预处理的步骤包括:

数据清洗:删除重复的记录,校正错误的数据格式,填补缺失值。

数据整合:将来自不同来源的数据整合到一个统一的格式和数据库中,如表 3.1 所示,以便进

行进一步的分析。

为了使后续知识库生成更加准确与完善,对文献具体内容进行筛选。例如部分文献中并未提到

所用数据,而是指出所用数据库链接,如图 3.3 所示,在对该篇文献进行解析后,数据部分就是欠

缺的,最终构建的知识库就不完整,在调用大模型回答相关问题时,极大概率产生幻觉。因此为了

构建更为准确的专业模型,对爬取下来的 507 篇文献进行筛选,选择包括流程图(system

boundaries)、各单元过程或生产环节的投入( input),产出( output),数据( life cycle

inventory),以及数据的时间、地点、获取方法、技术细节的文献作为最后应用的数据。核对内容

后的文献数据集共 98 篇英文文献。

喜欢离语请大家收藏:(m.tcxiaoshuo.com)离语天才小说更新速度全网最快。

上一章目录下一章存书签
站内强推卖爆辣烤翅,地点竟在肛肠医院这个训练家的宝可梦过于跳脱乡村神医于小嗦之奇遇冒险快穿吾本为后NBA:我以控卫封神斩神:攻略林七夜,青梅竹马很香碟战,我能分辨日碟进化武器妄爷的小祖宗是马甲大佬,杀疯了盗墓:黑爷的对象非人类重生九零:不做老实人妈咪,爹地欠收拾飞翼难囚天之湮夺回身体后,女主重新万人迷了陈二傻的美丽生活法医毒妃星际都市追梦真龙赘婿韩三千苏迎夏特种部队之雇佣兵
经典收藏我有一个神道界工厂通古代,我暴富养出千古一帝别碰,这是他的小可怜我召唤师,家里一群怪兽娘什么鬼半个纸人也能干翻全场诸天抽奖:从一人开始一个书名咱这么难搞截胡千仞雪,从斗罗开始搞基建美强惨上神:娇妻大我两万岁妖来觅酒家梵极魔尊逆袭:我是怎样征服豪门老公的1995,我终结乔丹玩家已登入血色京都退单失败糖炒年糕精灵世界的德鲁伊闪婚老公步步诱她沦陷坠入仙道
最近更新倒贴惨死后,我攀上京圈太子爷!为娶真爱弃发妻,我改嫁大佬你慌什么前妻痴情白月光,我找青梅她急了斗罗:比比东弃养,雪帝哺育成人小凤凰三岁半,指挥毛茸茸成团宠池鱼无珠明落之玺斗罗:我扮演的马甲都成神了双穿大唐:小囊君,兕子来找你啦!重回92,从下岗风波开始八零暴富虐渣渣,二嫁高冷厂长港片:开局砍下一条街!离寒思记这个书生有点狠萌娃助攻,快把妈咪娶回家治愈S级雄兽,小雌性是帝国珍宝未来短信2:我靠弹幕极限逃生复仇之蓝蝴蝶可以承载灵魂娇妾勾人妩媚,帝王求她上位鉴昭行
离语 semaphore - 离语txt下载 - 离语最新章节 - 离语全文阅读 - 好看的其他类型小说