第265章 好睏
針對安利雲購的程序首頁，以下是五個建議的調整地方，以及相應的改進思路、設計方案和改進后的驗證方式：
1.調整一：提升頁面載入速度
改進思路：優化代碼結構，減少不必要的HTTP請求，壓縮圖片和文件大小，使用CDN等技術手段提升頁面載入速度。
設計方案：對代碼進行性能分析和優化，移除冗餘代碼。
合併CSS和JavaScript文件，減少HTTP請求次數。
使用圖片壓縮工具對圖片進行壓縮，減少圖片大小。
引入CDN服務，分散伺服器壓力，提升用戶訪問速度。
驗證方式：使用頁面性能分析工具（如Lighthouse）對首頁進行性能評估，確保載入速度在合理範圍內。
邀請用戶進行實際體驗測試，收集用戶對頁面載入速度的反饋。
2.調整二：增加個性化推薦
改進思路：通過分析用戶行為數據，為用戶提供個性化的商品推薦，提升購物體驗。
設計方案：收集用戶瀏覽、購買、搜索等行為數據。
利用機器學習演算法對用戶行為數據進行分析，生成個性化推薦列表。
在首頁顯眼位置展示個性化推薦商品，並提供推薦理由。
驗證方式：監控個性化推薦商品的點擊率、購買轉化率等指標，評估推薦效果。
收集用戶對個性化推薦的反饋，了解用戶滿意度。
3.調整三：優化頁面布局
改進思路：根據用戶習慣和數據分析結果，優化頁面布局，提升用戶體驗。
設計方案：採用響應式設計，確保頁面在不同設備上都能良好展示。
將重要信息和功能放在顯眼位置，方便用戶快速找到。
減少頁面冗餘元素，提高頁面簡潔度。
驗證方式：通過A/B測試對比不同頁面布局的用戶滿意度和轉化率。
邀請用戶體驗測試，收集用戶對頁面布局的反饋。
4.調整四：提昇平台交互性
改進思路：增加社交功能，提昇平台互動性，吸引更多用戶參與。
設計方案：在首頁增加用戶評論、曬單等功能，讓用戶可以分享購物心得和體驗。
引入社交分享功能，方便用戶將商品分享到社交平台。
舉辦互動活動（如抽獎、優惠券發放等），提高用戶參與度。
驗證方式：監控社交功能的用戶參與度和活躍度。
收集用戶對社交功能的反饋，了解用戶滿意度。
5.調整五：加強品牌宣傳
改進思路：通過首頁設計加強品牌宣傳，提升品牌知名度和用戶信任度。
設計方案：在首頁顯著位置展示品牌Logo和口號。
引入品牌故事、企業文化等元素，增強用戶對品牌的認知。
展示品牌榮譽和認證信息，提升用戶信任度。
驗證方式：通過問卷調查了解用戶對品牌宣傳的感知和認可度。
監控品牌搜索量和用戶轉化率等指標，評估品牌宣傳效果。
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？隨著信息技術和網路技術的快速發展下，非結構化數據的比例迅速上升，傳統的資料庫並不能存儲這些數據，所以這無疑帶來了數據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進行存儲。傳統的pdf信息提取，比較局限，採用人工查閱將所需的有效信息進行提取，再把這些信息標記在論文資源上供人們定位和使用。這就要求負責這項工作的人具有相當專業的知識，世界各地，各行各業，每天都會產生大量文章，信息提取的效率相當重要，怎麼才能避免資源浪費，就是一個待解決的問題。隨著大語言模型的興起，誕生了檢索增強生成技術，它從大量的文本數據中提取出有用的信息，並對這些信息進行分析和處理，為用戶提供更全面、更準確的信息服務。基於此，選取檢索增強生成技術來對大量文獻進行信息提取，相較於先前的人工查閱降本增效，安全性高。我選擇的數據對象是，電力行業LCA英文文獻。第二部分我將介紹我本次研究最核心的關鍵技術。檢索增強生成技術。大語言模型的知識包括，自己本身的知識，用戶的前置輸入，和聯網或者檢索專業的知識庫所獲取的知識，將這三部分結合，便是檢索增強生成所包含的內容。說的再直白一點，就是讓大語言模型外掛一個知識庫，或聯網搜索，去抽取到相關知識，是檢索。把專業的知識和提問一起，送給大語言模型歸納生成，生成一個更準確的答案，是增強，最後返回給用戶，即為檢索增強生成。第三部分則是我的系統介紹。針對我的研究題目：基於大語言模型（LLM）的英文文獻解析，我將我的研究系統分為了三個模塊。數據處理模塊主要包括對電力LCA這個特定領域的英文文獻進行選擇和初步處理，而後將有關數據全部轉化成結構化數據。知識庫構建模塊主要是將數據向量化並構建向量知識庫。Chatbot構建分為功能部分和前端部分，功能包括基於OpenAI的大語言模型基座調用、知識庫檢索、在線檢索；前端部分為web可視化以及UI設計。首先是數據處理模塊。數據的範圍，我選擇了常見的五種發電方式，火力，水力，太陽能，核能，風能。確定每個主題的關鍵詞和大主題生命周期評價後記錄所有可能出現的形式，比如說，生命周期評價出現在論文里，可能是LCA，也可能是lifecycleassessment，羅列所有可能性，做到不遺漏數據。
在RAG技術中，整個過程主要分為三個步驟如圖2.2所示：索引（Indexing）、檢索
（Retrieval）和生成（Generation）。首先，索引步驟是將大量的文檔或數據集合進行預處理，將
其分割成較小的塊（chunk）並進行編碼，然後存儲在向量資料庫中。這個過程的關鍵在於將非結
構化的文本數據轉化為結構化的向量表示，以便於後續的檢索和生成步驟。接下來是檢索步驟，它
根據輸入的查詢或問題，從向量資料庫中檢索出與查詢最相關的前k個chunk。這一步依賴於高效
的語義相似度計算方法，以確保檢索到的chunk與查詢具有高度的相關性。最後是生成步驟，它將
原始查詢和檢索到的chunk一起輸入到預訓練的Transformer模型（如GPT或BERT）中，生成最
終的答案或文本。這個模型結合了原始查詢的語義信息和檢索到的相關上下文，以生成準確、連貫
且相關的文本。
RAG的概念和初步實現是由DouweKiela、PatrickLewis和EthanPerez等人在2020年首次
提出的。他們在論文《Retrieval-augmentedgenerationforknowledge-intensivenlptasks》
中詳細介紹了RAG的原理和應用，隨後谷歌等搜索引擎公司已經開始探索如何將RAG技術應用到搜
索結果的生成中，以提高搜索結果的準確性和相關性。在醫療領域，RAG技術可以幫助醫生快速檢
索醫學知識，生成準確的診斷建議和治療方案。