离语

semaphore

首页 >> 离语 >> 离语最新章节(目录)
大家在看木叶:这才叫体术!嫌弃宇智波?我宇智波不玩了住在木叶行在诸天帕克的木叶经济史兵临天下混天鼎太上武神诀重生之神级学霸内嫁给前任他师尊超级小农民
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274章 讲座

上一章目录下一章阅读记录

1.3.2 研究方法

本文以有关电力行业 LcA 的近十年的英文文献为研究对象,并根据每篇文章的元数据构建数据

库。进行文档分割,将文件分割为更小的部分或章节,分区后使其更容易分类和提取文本,将文档

元素列表存储并跟踪从文档中提取的各种元数据,将文本元素分割为适合模型注意力窗口的大小,

构建向量数据库,方便大模型调用。利用 RAG(检索增强生成)模型,帮助大语言模型知晓具有电

力 LcA 领域专业性和时效性的知识,包括最新的新闻、公式、数据等内容,增强大模型回答关于电

力行业 LcA 领域专业性问题与时效性问题的能力,主要用到的研究方法如下。

(1)文献资料法。通过阅读大量国内外研究检索增强生成的文章,确定将 RAG 技术作为提升

大语言模型回答电力行业 LcA 领域问题专业性与时效性问题的解决方法。文献调研显示,聚焦于此

领域的大模型是一个研究空白,将电力行业 LcA 的大模型应用于企业层面的分析,能够响应了重大

战略。该方法能够提升科研眼界、开阔研究思路、丰富研究角度。

(2)实验法。本文使用爬虫程序抓取各顶级期刊官网上近十年的文章,并通过元数据处理方

法,构建文章元数据的数据库。

(3)实证分析法。本文通过大量实际数据,来验证大模型调用电力行业 LcA 领域向量数据库

回答该领域专业性问题和时效性问题的有效性。

1.3.3 系统设计

系统设计三个模块,整体设计如图 1.4 所示,分别是数据处理模块、专业领域知识库构建模块

以及 chatbot 构建模块。数据处理模块主要包括对电力 LcA 这个特定领域的英文文献进行选择和初

步处理,而后将有关数据全部转化成结构化数据。知识库构建模块主要是将数据向量化并构建向量

知识库。chatbot 构建分为功能部分和前端部分,功能包括 openAI 基座的调用、知识库检索、在

线检索;前端部分为 web 可视化以及 UI 设计。

1.4 本章小结

第一章作为本论文的引言部分,主要围绕研究背景、研究目的与意义、研究内容与方法以及系

统设计进行了全面的阐述。首先,本章通过详细阐述当前大模型技术在内容解析领域的背景,指出

了电力行业生命周期评价的重要性,并强调了研究流程和研究方法。在这一基础上,本章进一步明

确了项目系统功能设计。综上所述,本章作为论文的引言部分,为整个研究提供了清晰的研究背

景、目的、意义、内容及方法概述,为后续章节的展开奠定了坚实的基础。

2.1 大语言模型

chatGpt 是由 openAI 发布的一种大语言模型,能够以问答的形式完成各类任务,包括接受文

字输入,理解自然语言,理解响应并模拟人类对话形式进行输出。再各个自然语言处理子任务具有

优异的表现。相比其他大语言模型拥有更丰富的知识,涵盖自然、社会科学、人文历史等多个领

域。chatGpt 在 Gpt3.5 的基础上引入了 RLhF(reinforcement learning from human feedback)

技术,通过将人类的日常对话的语言习惯嵌入模型,并引入价值偏好,使得模型的输出满足人类的

意图。微调过程分为预训练、监督微调、设计奖励模型和反馈优化。桑基韬等人根据 chatGpt 的对

话对象和定位将其应用分为四个层次:数据生成器、知识挖掘器、模型调度器和人机交互界面。在

多模态领域,Visual chatGpt、mm-ReAct 和 huggingGpt 让视觉模型与 chatGpt 协同工作来完成视

觉和语音任务。

除此以外,许多类 chatGpt 的大模型也同样在自然语言处理方面展示出来了较好的效果。

LLamA 是应该从 7billion 到 65billion 参数的语言模型,不需要求助于专有的数据集。清华大学

提出了一种基于自回归填充的通用语言模型 GLm 在整体基于 transformer 的基础上作出改动,在一

些任务的表现上优于 Gpt3-175b。

大语言模型,例如 Gpt 系列、LLama 系列、Gemini 系列等,在自然语言处理方面取得了显着的

成功,展示了超强的性能,但仍面临诸如幻觉、过时的知识、不可追溯的推理过程等挑战。2020

年,由 Lewis 等人引入的检索增强生成方法,通过整合来自外部数据库的知识,然后再继续回答问

题或生成文本。这个过程不仅为后续阶段提供信息,而且确保响应是基于检测到的证据的,从而显

着提高输出的准确性和相关性。在推理阶段从外部知识库动态检索信息使 RAG 能够解决诸如生成幻

觉等问题。RAG 与 LLm 的集成得到了迅速的应用,提高了自然语言处理任务的性能,并且使得模型

能够更好地利用外部知识和背景信息。

自 2020 年起,全球大语言模型在自然语言处理、计算机视觉、语音识别、推荐系统等领域表

现出卓越技术优势,市场规模持续增长,预计到 2028 年将达到 1095 亿美元。国外大模型产品研发

在 2021 年进入高速发展期,谷歌、openAI、英伟达、微软等公司都推出了自主研发的大模型,截

至 2023 年 7 月底,国外已发布了 138 个大模型。我国大模型发展迅速,与国际前沿保持同步,百

度、腾讯、清华大学、北京航空航天大学等单位都推出了自己的大模型,截至 2023 年七月底,我

国已发布 130 个大模型。

2.2 知识抽取

知识抽取主要分为命名实体识别和关系抽取两方面。命名实体识别(NER)任务,旨在识别与

特定语义实体类型相关联的文本跨度。该任务最早于 1991 年由 Rau 等人提出。随着信息理解、人

工智能等领域的顶级会议对 NER 任务的评测,其定义逐渐细化和完善,并逐渐成为自然语言处理

(NLp)领域的重要组成部分。然而,不同领域对实体类型的定义存在差异,因此 NER 模型的构建

取决于特定领域任务需求,通常涵盖人物信息、地点信息和组织机构信息等。对于英语、法语、西

班牙语等外语文本,通常采用单词作为基本单位,因此基于这些语言的 NER 模型主要关注单词本身

的语义特征和上下文信息。然而,中文语料文本通常由字符构成,需要考虑字符的语义信息和词汇。

特征,同时引入其他表征信息来提升模型性能,如中文分词(cwS)、语义部分标签(poS)等外部

信息,因此构建中文命名实体识别(cNER)模型更为复杂。目前,NER 任务的研究方法主要包括基

于词典和规则的方法、基于机器学习(mL)的方法以及基于深度学习(dL)的方法。

今天为什么讲座要那么长时间。

喜欢离语请大家收藏:(m.315zwwxs.com)离语315中文网更新速度全网最快。

上一章目录下一章存书签
站内强推女总裁的上门龙婿穿书后!搬空家当下乡当知青问剑国运,综漫婚配,我能看到属性!遇见你,遇见余生半神之殇神剑无敌全球异变从彗星坠落开始苟在沙漠开农场,负债三百亿空姐前规则李恪:这家没我,要散总裁大人,100分宠!神奇宝贝:创世之梦觉醒顶级异能,梦穿诸天斩神四合院的大力钓鱼佬玄幻:开局一头灵宠大唐谜案山河妖尊何处不遇你高官
经典收藏夜月之暗快穿之疯批男主的白月光死遁了约战之原初快穿:钓系宿主疯癫,但过分美艳携随身厨房,穿到四合院,发大财将军,夫人出价一万两和离异次游戏重生之霸气嫡女勇谋权极品男漂亮女主母换嫁!美强惨夫君追妻火葬场山海九圣录Backroons后室逃脱南娇宠绑定系统后,宿主又不想花钱了你咋掉到七十年代去啦?原神:在钟离面前,冒充岩王帝君心机王妃驾到,王爷哪里跑精灵之黄金牧场追妹火葬场,糊咖翻身做女王修仙:从感受杀气开始
最近更新双魂炼世传正青梅未熟惨死订婚宴,重生转嫁京圈太子火影:开局解开查克拉限制快穿:每一个位面都是救赎文雪落重生,不负君心上海弄堂里吃泡饭的咪道买来的禁欲夫君是太子离婚嫁京圈大佬,前夫一夜白了头诡夜世界,我能看见别人血条重生后,校花全家跪地忏悔绑定改字系统,疯批男主跪求原谅算命太准轰动全网,国家都盯上了宠妃这职业,必须卷起来我重生后,哥哥们都真香了古今来回穿,我囤货养孙子暴富八零换亲,娇软美人嫁绝嗣大佬一胎三宝艾拉驾到双穿:饥荒年一桶泡面换了个小媳妇太子妃掐指一算,疯批殿下心惊胆战
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