当前位置：网站首页 » 导读 » 内容详情

关键词向量空间新上映_《关键词》歌词(2024年11月抢先看)

内容来源：天哥SEO所属栏目：导读更新日期：2024-11-29

关键词向量空间

如何用Faiss构建RAG知识库？如果你对如何用RAG（Retrieval-Augmented Generation）构建知识库有所了解，那你一定知道，知识库的索引和检索都是基于文本块的。简单来说，就是把一个大文档分成一个个小块。今天，我想和大家分享一下在智能客服场景下，如何利用FAQ、多轮对话和产品说明书来构建一个向量知识库。一、数据准备 𐟓 FAQ数据处理首先，我们要对常见问题（FAQ）进行清洗，主要是去除用户隐私信息、乱码和表情符号等。FAQ作为标准问答，要求高质量，召回优先级也是最高的。你可以选择只构建问题的索引，也可以构建问题+答案的索引。多轮对话数据处理对于多轮对话数据，我们需要将每一轮的对话文本按照逻辑顺序进行拼接，并区分用户和客服角色。如果不区分角色，模型容易逻辑混乱，把用户问的问题作为答案进行参考输出。同时，标注对话中的关键信息，如意图（查询订单状态）、实体（订单号123456）等，以便构建关键词索引或者进行精准匹配。产品说明书数据处理对产品说明书进行分段处理，将每一个有独立意义的段落或者章节作为一个文档单元。然后，提取说明书中的重要概念、术语等，为其创建索引词汇，方便在向量空间中进行搜索定位。二、向量生成 ➡️ 利用BGE向量模型将处理好的FAQ、多轮对话和产品说明书文档单元分别输入到BGE向量模型中。BGE向量模型会将每个文档单元转换为一个固定维度的向量表示。在这个过程中，根据模型的要求设置合适的参数，如输入文本的最大长度等。三、向量数据库构建（使用Faiss） 𐟏 初始化Faiss向量数据库根据向量的维度，选择合适的Faiss索引类型。例如，如果向量维度较低（如64维或128维），可以选择Flat索引；如果维度较高且需要快速搜索，可以选择IVF - Flat索引等。然后，创建Faiss索引对象，指定向量的维度和索引类型。向量插入将通过BGE向量模型生成的所有向量（来自FAQ、多轮对话和产品说明书）依次插入到Faiss向量数据库中。四、知识库优化与维护 𐟔犊这部分内容有点多，今天就先聊到这儿吧。具体的优化和维护方法，我们下次再详细讨论。希望这些信息对你有帮助！如果有任何问题，欢迎在评论区留言哦！𐟑‹

AI搜索引擎的核心技术与实现步骤与传统搜索引擎相比，AI搜索引擎在多个方面进行了改进，包括理解用户问题的能力、总结搜索结果的能力、保留搜索结果索引的能力，以及扩展用户问题的能力。以下是AI搜索引擎的实现步骤和关键技术： 𐟔 用户输入查询 𐟌 抓取网页文本 AI搜索引擎首先抓取与用户输入关键词相关的搜索页面，并解析网页文本。 𐟒ᠦž„建提示词基于解析的文本，AI搜索引擎构建提示词，并将这些提示词递交给大语言模型。 𐟎‰ 返回搜索结果大语言模型生成的结果返回给用户，作为搜索结果。 𐟑袀𐟒𛠥…𓩔€术 Dense Passage Retrieval (DPR) DPR将问题和文档都编码为单一的向量，或者对文档进行多向量编码，而将问题表示为单一向量。简洁的存储和检索能力使其备受推崇，但在某些场景下检索效果可能稍差。相比之下，multi-vectors虽需更大的存储空间，但其在检索准确性上通常更为出色。跨语言信息检索技术 (CLIR) CLIR包括查询翻译、检索与排序、文档翻译（如果需要的话）、信息整合、反馈与优化、深度学习与表征学习等多个方面。 𐟤– 用户体验优化意图识别信息完备性检测问题生成用户反馈接收动态调整与学习上下文感知信息智能提取通过这些技术和步骤，AI搜索引擎能够更准确地理解用户需求，并提供更全面的搜索结果。

数学教师编考试86.6分备考经验分享大家好，我是今年刚毕业的应届生，专业是数学教育。虽然大家都说我很笨，但我一次就考上了安徽的数学教师编，笔试成绩86.6分！今天就来分享一下我的备考经验，希望能帮到正在准备教师编考试的小伙伴们。数学备考心得 𐟓š 专题一：集合、函数、导数与不等式集合和不等式的内容比较简单，一周之内背会概念和练会题目就行了。函数和导数是考试的重点和难点，我主要是跟着小破站上的视频讲解，先理解理论公式，再练习例题。专题二：数列等差数列的通项与求和；等比数列的通项与求和。建议花2-3周时间认真学。专题三：三角函数、平面向量和解三角形掌握五组基本公式，了解三角函数的图像与性质（正弦、余弦及恒等变换），正弦定理与余弦定理解三角形，平面向量可能会考察一个选择题或填空题。专题四：复数复数是高中最简单的一个内容，高考必考5分，平时考试也是必考题目，通常位于试卷选择题型的前3题内。建议花1周时间认真学习。专题五：立体几何几何体的三视图、空间点线面的关系及空间角的计算。用空间向量解决点线面的问题是重点（证明题）。专题六：解析几何（较难）直线与圆锥曲线的位置关系（椭圆、双曲线、抛物线），动点问题，轨迹方程的探求以及最值范围、定点定值、对称问题，弦长问题。圆锥曲线会考察一个大题和一个选择题，选择题属于中等题。大题第一问属于基础题，第二问属于压轴题！建议耗时2-3周。专题七：概率与统计独立事件和独立重复事件发生的概率，互斥事件、古典概型等这个内容的大题是最简单的，内容也较好理解。建议花1周时间。教综备考心得 𐟓– 资料：山香大红本+粉笔6000题+山香客观3600+山香真题卷+教综大默写+82个人物背诵宝典网课：黎响招教课（精讲版，讲的教综重点很全面，案例、题型、关键词都一一拉小框架总结的，还有教综速记口诀）教育学分值占比35%，重点章节是一、四、六、七、八章节，题型也是全覆盖主客观都有，难点就是背诵难，强推山香学霸笔记，里面框架清晰，知识点难记的部分都会标注口诀和关键词辅助。心理学分值占比20%，重点章节是二、三四章，题型多考客观！难点是抽象知识点较多，很容易搞不懂做不对题，非常需要认真听黎响老师讲每个考点延伸的案例，用小本本汇总下来，不仅能区分特点还能辅助做题选对正确的案例选项。教心学分值占比30%，重点章节是二、三、四、五章节，题型偏主观题，难点是背了不会运用理论做大题！所以我除了跟黎响课听考点外，还会刷黎响的主观做题技巧，利用老师讲的多维度去审题灵活运用技巧答题。小三门分值占比15%，重点是《未成年保护法》、《教师法》、《义务教育法》《中小学教师职业道德规范》《中小学教师职业行为十项准则》《新课改背景下的教师观、学生观》都是些识记性的小知识点，记准关键词和主题、年龄就行，出题也很简单，不拐弯抹角！希望这些经验能帮到你们，祝大家都能顺利通过考试！𐟒ꀀ

24岁应届生一次考上安徽数学教师编！大家好，我是今年刚毕业的应届生，专业是数学教育。虽然我平时成绩还不错，但也没想到能一次就考上安徽的数学教师编！笔试成绩86.6分，感觉还是挺幸运的。今天就来分享一下我的学习经验，希望能帮到正在备考的小伙伴们！数学部分首先，数学老师的选择很重要。我平时会看一些网上的教学视频，比如陈庆安老师的每日一题讲解，赵礼显老师的系统讲解，还有佟大大和ETT的通俗易懂的教学视频。这些老师的讲解方式都很有趣，不会让人觉得枯燥。刷题资料也是必不可少的。我主要用了初中数学(名师课堂)、数学公式定理（免费讲解数学公式）、洋葱学园（课程同步讲解各种知识点）、第一试卷网（各学科真题都有）和百题大过关（以选择题为主，按模块练习）。这些资料都很有帮助，特别是百题大过关，里面的题目类型很全面。经验总结在备考过程中，我总结了一些经验：集合、函数、导数与不等式：这些内容虽然有点难，但只要跟着小破站上的视频看懂理论公式，再跟着例题练习，基本就没问题了。数列：等差数列和等比数列的通项与求和是重点，建议花2-3周时间认真学。三角函数、平面向量和解三角形：掌握五组基本公式，了解三角函数的图像与性质，正弦定理与余弦定理解三角形，平面向量可能会考察一个选择题或填空题。复数：复数是高中最简单的一个内容，高考必考5分，平时考试也是必考题目，通常位于试卷选择题型的前3题内。建议花1周时间认真学习。立体几何：几何体的三视图、空间点线面的关系及空间角的计算是重点，用空间向量解决点线面的问题是重点（证明题）。解析几何：直线与圆锥曲线的位置关系（椭圆、双曲线、抛物线），动点问题，轨迹方程的探求以及最值范围、定点定值、对称问题。圆锥曲线会考察一个大题和一个选择题，选择题属于中等题。大题第一问属于基础题，第二问属于压轴题！建议耗时2-3周。概率与统计：独立事件和独立重复事件发生的概率，互斥事件、古典概型等这个内容的大题是最简单的，内容也较好理解。建议花1周时间。教综部分教综部分我主要用了山香大红本、粉笔6000题、山香客观3600、山香真题卷和教综大默写等资料。网课方面，黎响招教课讲得很全面，案例、题型、关键词都一一拉小框架总结的，还有教综速记口诀。教育学、心理学和教心学都有详细的讲解。教育学分值占比35%，重点章节是一、四、六、七、八章节；心理学分值占比20%，重点章节是二、三四章；教心学分值占比30%，重点章节是二、三、四、五章节。小三门（《未成年保护法》、《教师法》、《义务教育法》《中小学教师职业道德规范》《中小学教师职业行为十项准则》《新课改背景下的教师观、学生观》）主要是识记性的小知识点，记准关键词和主题、年龄就行，出题也很简单。希望这些经验能帮到正在备考的小伙伴们！祝大家都能顺利上岸！𐟒ꀀ

15万精装131㎡房，简约风温馨小窝精装房的潜力，远比你想象的要大！ 𐟏 楼盘：苏州锦上和风华苑 𐟓 面积：131平方米 𐟎蠩㎦ 𜯼š现代简约 𐟏ᠧ𑻥ž‹：精装房 𐟒𐠩℧𜚱5万元 𐟑袀𐟑颀𐟑碀𐟑栥𑋤𘻦•…事关键词：30岁、年轻夫妻、温馨这是一对年轻夫妻的新家，女主人追求简约的生活品质，特别注重收纳设计。他们希望整体风格温馨简约，空间布局清爽敞亮。 𐟎蠨†念整个空间以简洁明亮为主，主色调是奶咖色和灰色，绿植的点缀让客厅充满生机。传统的茶几被小边几替代，更符合现代生活习惯。这里可以围坐聊天、看剧，释放一天的疲惫。 𐟒ᠥŽ…设计客厅采用无主灯设计，天花板内嵌线性灯带，沙发旁的落地灯作为辅助光源，满足整个空间的光线需求，同时提升了空间层次感。 𐟍𝯸 餐厅设计餐厅空间虽小，但设计巧妙。白色大理石桌面极具格调，餐厅一侧的整墙餐边柜既满足了储物需求，又避免了空间杂乱。 𐟛Œ 卧室设计走进卧室，一种安逸的氛围扑面而来。整体色调延续了客厅的色调，保持了空间的统一性，同时也营造了静谧的睡眠环境。床选用软包形式，增加了使用的舒适感。 𐟧𘠥„🧫妈🨮𞨮እ„🧫妈🧛𘦯”主卧，更多了一丝明快。一体化的设计包括榻榻米、衣柜、书柜和书桌，保证了日常使用的同时，也让整体空间结构更完整。

传统RAG与Graph RAG的7大差异 1. 𐟓Š 传统RAG的核心链路：索引（向量嵌入）：通过Embedding模型将文档转换为向量编码，并存储在数据库中。检索（相似查询）：使用Embedding模型对查询进行向量编码，通过相似性查询（ANN）找到最相似的文档。生成（文档上下文）：将检索结果作为上下文，与问题一起提交给大模型进行处理。 𐟔砒AG的架构： Document Indexing Phase：预处理文档并转换为向量。 Query Phase：从用户查询中提取文本块并进行嵌入。 Embedding Model：将文本块转换为向量。 Similarity Search：通过相似性查询找到最相似的文档。 Retrieval：从数据库中检索相关文档。 Context Database：将检索结果作为上下文与问题一起提交给大模型。 𐟌 广义RAG问答链路： Document Indexing Phase：预处理文档并转换为向量。 Query Phase：从用户查询中提取文本块并进行嵌入。 Embedding Model：将文本块转换为向量。 Similarity Search：通过相似性查询找到最相似的文档。 Retrieval：从数据库中检索相关文档。 Context Database：将检索结果作为上下文与问题一起提交给大模型。 𐟚렒AG存在的问题：知识库内容缺失：现有文档可能无法回答用户问题，系统有时会给出不相关的回应。 TopK截断有用文档：相似度不足导致相关文档被截断。上下文整合丢失：检索到的包含答案的文档可能因重排序或过滤规则而被忽略。有用信息未识别：LLM可能无法正确识别文档中的有价值内容。提示词格式问题：提示词格式错误可能导致大模型无法识别用户意图。准确性不足：LLM可能过度利用或未充分利用上下文信息。 𐟓ˆ Graph RAG的核心链路：索引（三元组抽取）：通过LLM服务实现文档的三元组提取，并写入图数据库。检索（子图召回）：通过LLM服务实现查询的关键词提取和泛化，并基于关键词实现子图遍历，搜索N跳以内的局部子图。生成（子图上下文）：将局部子图数据格式化为文本，作为上下文和问题一起提交给大模型处理。 𐟒᠒AG与Graph RAG的成本对比： Graph RAG通过引入知识图谱技术，提供了更高质量的上下文，但增加了系统的复杂性和成本。Graph RAG的核心链路包括索引（三元组抽取）、检索（子图召回）和生成（子图上下文），这些步骤需要更多的计算资源和存储空间。

AI设计助手：让创意设计更高效！ AI就像一个多功能助手，熟悉之后，我们就能更好地与之合作。𐟤– 当AI遇到不懂的地方，我们提供参考；当它擅长时，我们给它更多空间。这样，我们想要的效果就更容易实现了。今天分享的案例中，除了排版使用了Figma，其他部分都是由AI完成的。𐟎蠨🙩‡Œ用到了两款软件：MJ和SD，它们经常需要相互配合使用。使用后发现，效果非常不错，可以真正交付作品。平面稿在MJ中完成，3D效果则通过SD实现。以下是一些关键词的总结：平面稿关键词： Mascot design：一个可爱的女孩，头上戴着龙，平面光，矢量艺术，白色背景。三视图关键词： three view：后视图、前视图、侧视图，根据画面效果调整顺序，越靠前越重要。表情包和服装关键词： multiple poses and expressions：多种姿势和表情，emoticon bag。 Wearing fashionable clothes：时尚服装。通过这些关键词，我们能够更有效地与AI合作，创造出令人满意的设计作品。𐟌Ÿ

小尺度设计：学会做减法，让空间更和谐 /本期主题/ 关键词：社区公园花海空间入口空间 /方案问题/ 小尺度设计过于复杂，岛和广场的尺度太小，设计过于饱和。分区设计缺乏差异化，没有形成对比。空间衔接生硬，缺乏过渡。 /调整后/ 𐟔𘥅奏㨮𞨮᯼š社区公园的入口应该四面开放，原方案过于封闭和形式化，不利于引流。 𐟔𘧩𚩗𔨿‡渡：整个场地的主园路采用曲线设计，节点边界采用折线形式。一般小尺度空间中尽量使用一种线性，方便过渡和形成整体感。 𐟔𘨊𑦵𗧩𚩗𔯼š原方案中的花海空间布置较少，没有形成一定的氛围感，没有达到花海景观的目的。 𐟔𘧩𚩗𔥼€敞度：方案整体空间较为拥挤，没有体现出社区公园的开敞和生态性。

重阳插画灵感，简约而美 𐟎蠥…𓩔：中式插画矢量美术风格中国山水画两位老人站在河岸右侧树叶黄色，背景绿色山峦传统房屋和农舍白色天空，鹤飞翔红日西沉，色彩明亮，线条简洁画面顶部留白 𐟓œ 插画描述：在这幅中式风格的插画中，两位老人静静地站在河岸的右侧，秋天的树叶已经变得金黄，背景是郁郁葱葱的绿色山峦。附近可以看到传统的房屋和农舍，营造出一种宁静而和谐的氛围。天空是纯净的白色，一只鹤在天空中飞翔，而红色的太阳正缓缓沉入山的背后，整个画面色彩鲜明，线条简洁流畅。顶部留有大量的空白空间，给人一种无限的遐想。

电气工程师面试必备30道高频题今年的春招真是卷得不行，想要在春招中脱颖而出的同学们，赶紧行动起来吧！今天我给大家整理了30道电气工程师面试的高频题，找数据分析师岗位的同学们也一定要认真看哦！基础问题 𐟛 ️ 能不能看懂电气图？有没有学过PLC？现在流水线工业中主要使用的PLC是什么？输配电系统的基本组成是什么？专业问题 𐟔犥…‰电探测器的选型、功能、各部分组成？ PZT驱动电源的作用以及应用？定位系统的驱动用什么电机？ PLC是如何实现控制的？谈一谈SVC与SVG的区别？发电机出入口风有温差说明什么问题？ C语言中指针数组和数组指针、函数指针、指针函数的指针怎么判断？方波电压注入相比其他注入方法或低速无位置控制方法的优缺点？静态变量什么时候初始化？为何说永磁电机是非线性强耦合的系统？直接转矩控制（DTC）与磁场定向控制（FOC）有什么区别？如何理解指针？引用和指针的区别？ C语言交换不使用中间变量交换两个数的值有几种方法？ sizeof和strlen的区别？简述strcpy、sprintf与memcpy的区别？进程的空间模型？关键字volatile的作用和用法？各种排序算法的复杂度、稳定性？永磁电机中高速无位置传感器控制解决了哪些现实问题？ delete p;与delete []p的区别？深拷贝与浅拷贝？ static的用法和作用？发电机并列有几种方法？他们的优点是什么？缺点是什么？ new和malloc的区别？什么是无功分点，无功分点和有功分点有什么区别？什么是方波电压注入无位置控制，它解决了哪一类实际问题？总结 𐟓 这些题目涵盖了电气工程师的基础知识和专业技能，大家一定要认真准备。记住，面试不仅仅是考察你的专业知识，还包括你的思维能力和解决问题的能力。祝大家都能在春招中脱颖而出，找到心仪的工作！

专栏内容推荐

796 x 670 · jpeg
自然语言处理-词向量模型 - 知乎
素材来自:zhuanlan.zhihu.com
799 x 548 · jpeg
【词向量模型】一、经典词向量模型介绍 - 知乎
素材来自:zhuanlan.zhihu.com

1436 x 790 · png
机器是这样理解语言 - 词向量 - 自然语言处理 | 莫烦Python
素材来自:mofanpy.com

555 x 304 · png
【NLP 系列】Bert 词向量的空间分布 - 知乎
素材来自:zhuanlan.zhihu.com

5514 x 3473 · jpeg
词向量可视化 - 知乎
素材来自:zhuanlan.zhihu.com
1376 x 729 · jpeg
『NLP打卡营』实践课1：词向量应用展示_切词向量空间-CSDN博客
素材来自:blog.csdn.net

720 x 494 · png
【NLP 系列】Bert 词向量的空间分布 - 知乎
素材来自:zhuanlan.zhihu.com
1130 x 607 · png
向量空间 - 走看看
素材来自:t.zoukankan.com

1654 x 1181 · jpeg
词向量模型word2vector详解 - 空空如也_stephen - 博客园
素材来自:cnblogs.com
2079 x 945 · gif
词向量分布探究
素材来自:showmeai.tech

1568 x 539 · jpeg
图学习【参考资料1】词向量word2vec - 知乎
素材来自:zhuanlan.zhihu.com

600 x 446 · jpeg
人工智能Java SDK - 词向量提取及相似度计算【中文】 - 知乎
素材来自:zhuanlan.zhihu.com
1102 x 828 · jpeg
Paddle-NLP词向量应用展示 - 知乎
素材来自:zhuanlan.zhihu.com

684 x 498 · png
【NLP 系列】Bert 词向量的空间分布 - 知乎
素材来自:zhuanlan.zhihu.com
820 x 829 · jpeg
【词向量模型】一、经典词向量模型介绍 - 知乎
素材来自:zhuanlan.zhihu.com

600 x 341 · jpeg
【词向量模型】一、经典词向量模型介绍 - 知乎
素材来自:zhuanlan.zhihu.com
720 x 714 · png
向量空间模型 - 知乎
素材来自:zhuanlan.zhihu.com

1080 x 417 · png
零基础入门深度学习（十三）：词向量的深度解析_剖析词向量-CSDN博客
素材来自:blog.csdn.net

755 x 687 · png
Java 的词向量化词向量生成_mob6454cc79ab13的技术博客_51CTO博客
素材来自:blog.51cto.com
815 x 830 · jpeg
【词向量模型】一、经典词向量模型介绍 - 知乎
素材来自:zhuanlan.zhihu.com

474 x 385 · jpeg
基于中文维基百科的词向量构建及可视化 - IT宝库
素材来自:itbaoku.cn
811 x 289 · jpeg
用Word2Vec生成词的向量表示 - 知乎
素材来自:zhuanlan.zhihu.com

1119 x 614 · jpeg
词向量与ELMo模型 - 知乎
素材来自:zhuanlan.zhihu.com

1360 x 494 · jpeg
关键词感知检索_向量检索服务(VRS)-阿里云帮助中心
素材来自:help.aliyun.com

600 x 237 · jpeg
词向量-词向量模型综述 - 知乎
素材来自:zhuanlan.zhihu.com

1129 x 607 · png
知识图谱从入门到应用——知识图谱的知识表示：向量表示方法_知识图谱如何实现向量化-CSDN博客
素材来自:blog.csdn.net

720 x 530 · png
向量空间模型算法( Vector Space Model )-CSDN博客
素材来自:blog.csdn.net
600 x 482 · jpeg
词向量算法 - 知乎
素材来自:zhuanlan.zhihu.com

600 x 403 · jpeg
初识word2vec词向量 - 知乎
素材来自:zhuanlan.zhihu.com
468 x 392 · png
词向量，LDA，word2vec三者的关系是什么? - 知乎
素材来自:zhihu.com

2092 x 1134 · png
【NLP 系列】Bert 词向量的空间分布 - 知乎
素材来自:zhuanlan.zhihu.com

474 x 261 · jpeg
张量积从原向量空间得出新的向量空间 - 知乎
素材来自:zhuanlan.zhihu.com

335 x 323 · jpeg
空间从向量和基底谈起 - 知乎
素材来自:zhuanlan.zhihu.com
1440 x 977 · png
#最全面# NLP获取词向量的方法（Glove、n-gram、word2vec、fastText、ELMO 对比分析） - 知乎
素材来自:zhuanlan.zhihu.com

600 x 348 · png
Word2Vec [单词向量化]详解 - we see 视界
素材来自:wesee.club

素材来自:查看更多內容

当前用户设备UA：Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)

关键词 向量空间新上映_《关键词》歌词(2024年11月抢先看)

关键词向量空间新上映_《关键词》歌词(2024年11月抢先看)