關文件。

文件聚類：使用向量表達進行機器學習聚類演算法，以發現資料中的模式或分組。

推薦系統：基於向量的近鄰搜尋可以推薦相似的研究或文獻。

透過使用將結構化資料轉化為向量，不僅提高了電力 lca 資料的可訪問性和可操作性，還為構

建基於知識的大模型系統奠定了基礎。這種技術的應用有助於加速研究成果的發現和創新，使得專

業的研究人員能夠更有效地利用現有的知識資源。

，！

422 向量儲存

呼叫 ebeddg api 將先前的結構化資料全部轉化為向量，此時大量的向量資料需要檢索與存

儲，因此需要選擇一個資料庫來儲存。向量資料庫是一種專門用於儲存和管理向量資料的資料庫。

它以向量作為基本資料型別，支援向量的儲存、索引、查詢和計算。向量是一組有序數，通常用於

表示具有多個屬性的實體，比如文字、影象、音訊等。在向量資料庫中，每個向量都有一個唯一的

識別符號，並且可以儲存在一個連續的向量空間中。

根據儲存資料量以及綜合效能選擇 pipene 作為本專案的向量資料庫儲存資料。pipene 可

以儲存和管理大規模的高維向量資料，並提供快速，準確的相似性搜尋。不僅支援實時查詢處理，

可以毫秒級別返回最相似的結果，還能支援快速新增和刪除向量資料，並實現動態縮放。更重要的是，明天發工資，差點又忘了更新了。

我將分為四個部分來介紹我的畢業論文。首先是研究背景。那麼為什麼要開展我這個研究呢？隨著資訊科技和網路技術的快速發展下，非結構化資料的比例迅速上升，傳統的資料庫並不能儲存這些資料，所以這無疑帶來了資料管理領域的重大挑戰。文獻是科技工作者獲取知識的重要來源。英語作為國際通用語言，英文文獻的重要性便不言而喻。文獻通常以pdf進行儲存。傳統的pdf資訊提取，比較侷限，採用人工查閱的方法來實現，因此，這必定產生大量人力物力的浪費。

1 研究背景

在資訊科技和網路技術的快速發展下，共享資訊資源的規模也在迅速增長，人們在工作和生活

中使用各種多樣的資訊資源，包括語音、短影片、聊天資訊等。然而，日常生活中更多的資訊以自媒體為發展的資料，是不能被統計到的。

隨後進行資料採集，爬取加人工採集。對兩種方式採集的文獻資料進行整理，將後設資料記錄好，並統一格式，用於後續的檢索。最後是文獻的精細篩選。因為rag技術就是要增加大語言模型在專業領域的可信程度，解決大語言模型的幻覺問題。那在資料的選取上就更偏向於專業程度更高的文獻型別資料。

本章介紹了研究所選文獻資料的獲取來源和途徑。透過 python 爬取的方式獲取大部分文獻數

據與後設資料，對後設資料進行基本處理，為後續分析提供幫助，豐富向量知識庫的資料儲備。隨後為

：()離語