1.3.2 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。
（1）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。
（2）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。
（3）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。
1.3.3 系统设计
系统设计三个模块，整体设计如图 1.4 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 web 可视化以及 UI 设计。
1.4 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。首先，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。
2.1 大语言模型
ChatGPT 是由 OpenAI 发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 GPT3.5 的基础上引入了 RLHF（reinforcement learning from human feedback）
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
话对象和定位将其应用分为四个层次：数据生成器、知识挖掘器、模型调度器和人机交互界面。在
多模态领域，Visual ChatGPT、MM-ReAct 和 HuggingGPT 让视觉模型与 ChatGPT 协同工作来完成视
觉和语音任务。
除此以外，许多类 ChatGPT 的大模型也同样在自然语言处理方面展示出来了较好的效果。
LLaMA 是应该从 7billion 到 65billion 参数的语言模型，不需要求助于专有的数据集。清华大学
提出了一种基于自回归填充的通用语言模型 GLM 在整体基于 transformer 的基础上作出改动，在一
些任务的表现上优于 GPT3-175B。
大语言模型，例如 GPT 系列、LLama 系列、Gemini 系列等，在自然语言处理方面取得了显着的
成功，展示了超强的性能，但仍面临诸如幻觉、过时的知识、不可追溯的推理过程等挑战。2020
本小章还未完，请点击下一页继续阅读后面精彩内容！