八三看书

第336章 好（第3页）

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。