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。
()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。
()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。
()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。
系统设计
系统设计三个模块,整体设计如图所示,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dueb可视化以及ui设计。
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。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。
大语言模型
ai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gpt的基础上引入了rlhf(rergfrohuanfeedback)
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