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著的效果。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（system

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

inventory），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。