semaphore提示您：看后求收藏（笔趣阁www.biqugie.com），接着再看更方便。
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，该技术可以显著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