雅书阁

手机浏览器扫描二维码访问

第295章 吃饱了（第3页）

着提高输出的准确性和相关性。在推理阶段从外部知识库动态检索信息使RAG能够解决诸如生成幻

觉等问题。RAG与LLM的集成得到了迅速的应用，提高了自然语言处理任务的性能，并且使得模型

能够更好地利用外部知识和背景信息。

自2020年起，全球大语言模型在自然语言处理、计算机视觉、语音识别、推荐系统等领域表

现出卓越技术优势，市场规模持续增长，预计到2028年将达到1095亿美元。国外大模型产品研发

在2021年进入高速发展期，谷歌、OpenAI、英伟达、微软等公司都推出了自主研发的大模型，截

至2023年7月底，国外已发布了138个大模型。我国大模型发展迅速，与国际前沿保持同步，百

度、腾讯、清华大学、北京航空航天大学等单位都推出了自己的大模型，截至2023年七月底，我

国已发布130个大模型。

2.2知识抽取

知识抽取主要分为命名实体识别和关系抽取两方面。命名实体识别（NER）任务，旨在识别与

特定语义实体类型相关联的文本跨度。该任务最早于1991年由Rau等人提出。随着信息理解、人

工智能等领域的顶级会议对NER任务的评测，其定义逐渐细化和完善，并逐渐成为自然语言处理

（NLP）领域的重要组成部分。然而，不同领域对实体类型的定义存在差异，因此NER模型的构建

取决于特定领域任务需求，通常涵盖人物信息、地点信息和组织机构信息等。对于英语、法语、西

班牙语等外语文本，通常采用单词作为基本单位，因此基于这些语言的NER模型主要关注单词本身

的语义特征和上下文信息。然而，中文语料文本通常由字符构成，需要考虑字符的语义信息和词汇。

特征，同时引入其他表征信息来提升模型性能，如中文分词（CWS）、语义部分标签（POS）等外部

信息，因此构建中文命名实体识别（CNER）模型更为复杂。目前，NER任务的研究方法主要包括基

于词典和规则的方法、基于机器学习（ML）的方法以及基于深度学习（DL）的方法。

今天为什么讲座要那么长时间。