思兔閱讀【sto.ist】第一時間更新《離語》最新章節。
1.3.2
研究方法
本文以有關電力行業
lca
的近十年的英文文獻為研究對象，並根據每篇文章的元數據構建數據
庫。進行文檔分割，將文件分割為更小的部分或章節，分區後使其更容易分類和提取文本，將文檔
元素列表存儲並跟蹤從文檔中提取的各種元數據，將文本元素分割為適合模型注意力窗口的大小，
構建向量數據庫，方便大模型調用。利用
rag（檢索增強生成）模型，幫助大語言模型知曉具有電
力
lca
領域專業性和時效性的知識，包括最新的新聞、公式、數據等內容，增強大模型回答關於電
力行業
lca
領域專業性問題與時效性問題的能力，主要用到的研究方法如下。
（1）文獻資料法。通過閱讀大量國內外研究檢索增強生成的文章，確定將
rag
技術作為提升
大語言模型回答電力行業
lca
領域問題專業性與時效性問題的解決方法。文獻調研顯示，聚焦於此
領域的大模型是一個研究空白，將電力行業
lca
的大模型應用於企業層麵的分析，能夠響應了重大
戰略。該方法能夠提升科研眼界、開闊研究思路、豐富研究角度。
（2）實驗法。本文使用爬蟲程序抓取各頂級期刊官網上近十年的文章，並通過元數據處理方
法，構建文章元數據的數據庫。
（3）實證分析法。本文通過大量實際數據，來驗證大模型調用電力行業
lca
領域向量數據庫
回答該領域專業性問題和時效性問題的有效性。
1.3.3
係統設計
係統設計三個模塊，整體設計如圖
1.4
所示，分彆是數據處理模塊、專業領域知識庫構建模塊
以及
chatbot
構建模塊。數據處理模塊主要包括對電力
lca
這個特定領域的英文文獻進行選擇和初
步處理，而後將有關數據全部轉化成結構化數據。知識庫構建模塊主要是將數據向量化並構建向量
知識庫。chatbot
構建分為功能部分和前端部分，功能包括
openai
基座的調用、知識庫檢索、在
線檢索；前端部分為
web
可視化以及
ui
設計。
1.4
本章小結
第一章作為本論文的引言部分，主要圍繞研究背景、研究目的與意義、研究內容與方法以及係
統設計進行了全麵的闡述。首先，本章通過詳細闡述當前大模型技術在內容解析領域的背景，指出
了電力行業生命周期評價的重要性，並強調了研究流程和研究方法。在這一基礎上，本章進一步明
確了項目係統功能設計。綜上所述，本章作為論文的引言部分，為整個研究提供了清晰的研究背
景、目的、意義、內容及方法概述，為後續章節的展開奠定了堅實的基礎。
2.1
大語言模型
chatgpt
是由
openai
發布的一種大語言模型，能夠以問答的形式完成各類任務，包括接受文
字輸入，理解自然語言，理解響應並模擬人類對話形式進行輸出。再各個自然語言處理子任務具有
優異的表現。相比其他大語言模型擁有更豐富的知識，涵蓋自然、社會科學、人文曆史等多個領
域。chatgpt
在
gpt3.5
的基礎上引入了
rlhf（reinforcement
learning
from
human
feedback）
技術，通過將人類的日常對話的語言習慣嵌入模型，並引入價值偏好，使得模型的輸出滿足人類的
意圖。微調過程分為預訓練、監督微調、設計獎勵模型和反饋優化。桑基韜等人根據
chatgpt
的對
話對象和定位將其應用分為四個層次：數據生成器、知識挖掘器、模型調度器和人機交互界麵。在
多模態領域，visual
chatgpt、mm-react
和
pt
讓視覺模型與
思兔閱讀【sto.ist】第一時間更新《離語》最新章節。