第275章 写完了～（2/2）

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（syste

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

ventory），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。