<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_38132995的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_38132995</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_38132995]]></copyright><item><title><![CDATA[67、AI大模型技术之实战项目（电商图谱-下篇）]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/158978609</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/158978609</guid><author>qq_38132995</author><pubDate>Fri, 13 Mar 2026 07:30:00 +0800</pubDate><description><![CDATA["""意图分类模型"""loss = 0.0# 统一转换为列表# 逐批次处理。]]></description><category></category></item><item><title><![CDATA[66、AI大模型技术之实战项目（电商图谱-中篇）]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/158933586</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/158933586</guid><author>qq_38132995</author><pubDate>Thu, 12 Mar 2026 07:30:00 +0800</pubDate><description><![CDATA[UIE(Universal Information Extraction)：Yaojie Lu等人在 ACL-2022 中提出了通用信息抽取统一框架 UIE。该框架实现了实体抽取、关系抽取、事件抽取、情感分析等任务的统一建模，并使得不同任务间具备良好的迁移和泛化能力。UIE的核心思想是将所有信息抽取任务统一建模为文本到结构的生成过程。它巧妙地利用了预训练语言模型的强大能力，通过精心设计的“提示”（Prompt）来引导模型根据不同的需求（即“模式”或Schema）从非结构化文本中抽取出结构化的信息。]]></description><category></category></item><item><title><![CDATA[65、AI大模型技术之实战项目（电商图谱-上篇）]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/158809828</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/158809828</guid><author>qq_38132995</author><pubDate>Mon, 09 Mar 2026 12:00:00 +0800</pubDate><description><![CDATA[本项目旨在构建电商领域知识图谱，并基于该知识图谱搭建智能电商客服系统，核心技术架构分为四个模块：数据源：对结构化与非结构化数据进行清洗和转换，提取出所需信息。知识图谱：使用 Neo4j 构建包含实体关系的领域知识图谱。对话处理：对用户消息进行意图识别和实体抽取，基于识别和抽取结果查询所需信息。应用层：根据获取的信息响应用户，与用户进行交互。]]></description><category></category></item><item><title><![CDATA[64、AI大模型技术之Spring AI + Milvus + BGE + Ollama (DeepSeek) +前端的开源方案本地部署实现案例-智能问答系统]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/158743774</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/158743774</guid><author>qq_38132995</author><pubDate>Fri, 06 Mar 2026 21:32:03 +0800</pubDate><description><![CDATA[本项目展示了如何使用 Spring AI、Milvus 向量数据库、BGE 嵌入模型和 Ollama 本地部署的 DeepSeek 模型构建一个完整的检索增强生成 (RAG) 系统，包含用户认证、文件上传、智能问答等功能，所有使用到的中间件以及模型均能本地部署运行。]]></description><category></category></item><item><title><![CDATA[63、AI大模型技术之Neo4j]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/158703702</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/158703702</guid><author>qq_38132995</author><pubDate>Fri, 06 Mar 2026 09:00:00 +0800</pubDate><description><![CDATA[​​Cypher​​ 是 Neo4j 图数据库专用的查询语言，其语法直观清晰，设计风格与 SQL 类似，专门用于高效处理图数据。它通过高度可读的声明式语法，简化了图数据的创建、查询、更新与删除（CRUD）操作，尤其擅长表达复杂的图模式匹配。除了基础操作，Cypher 还支持子查询、聚合计算、条件过滤以及集合操作等高级功能，是图数据库领域最核心的查询工具之一。在图数据库中，为了保持数据的一致性和完整性，我们可以为图中的节点或关系设置约束条件（Constraint）。]]></description><category></category></item><item><title><![CDATA[62、AI大模型项目实战之智选新闻]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/158661336</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/158661336</guid><author>qq_38132995</author><pubDate>Thu, 05 Mar 2026 09:00:00 +0800</pubDate><description><![CDATA[本项目基于BART预训练模型根据文本分类和摘要任务微调，用于实现新闻分类和新闻摘要。通过Transformers与PyTorch进行模型的搭建与训练，通过FastAPI提供Web服务。束搜索（Beam Search）是一种启发式搜索算法，广泛应用于自然语言处理（NLP）任务中，特别是在序列生成任务中。束搜索是一种改进的贪心搜索算法，它在一定程度上平衡了搜索效率和结果质量。在序列生成任务中，模型需要从一个可能的词汇表中逐步生成输出序列。]]></description><category></category></item><item><title><![CDATA[61、大模型项目实战之地址对齐]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/158622518</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/158622518</guid><author>qq_38132995</author><pubDate>Wed, 04 Mar 2026 09:00:00 +0800</pubDate><description><![CDATA[本项目旨在训练并搭建一个地址对齐服务，用于将地址文本信息中的省市区县等信息抽取出来组成结构化数据，并对地址信息进行校验。"""加载模型参数"""try:print("模型参数文件不存在，使用默认参数")loss = 0.0# 将每个字符串拆成字列表：确保 tokenizer 能按字对齐 word_ids# 处理子词。]]></description><category></category></item><item><title><![CDATA[60、AI大模型技术之智能商品发布（案例实操）]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/158543867</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/158543867</guid><author>qq_38132995</author><pubDate>Mon, 02 Mar 2026 08:00:00 +0800</pubDate><description><![CDATA[本章的任务是编写训练脚本，训练过程如下：1）加载数据：通过 get_dataloader 加载训练数据。2）定义优化器与损失函数：使用 Adam 优化器和 交叉熵损失 来优化模型。3）训练循环：每一轮（epoch）执行前向传播、损失计算、反向传播和梯度更新。4）日志记录：使用 TensorBoard 记录训练过程中的损失，并提供可视化的训练曲线。5）保存最佳模型：在训练过程中，如果当前epoch的训练损失比历史最优损失更低，保存当前模型。]]></description><category></category></item><item><title><![CDATA[59、AI大模型技术之智能商品发布（项目简介及开发环境准备）]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/158471386</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/158471386</guid><author>qq_38132995</author><pubDate>Fri, 27 Feb 2026 22:04:27 +0800</pubDate><description><![CDATA[该模型的核心结构包括 BERT编码器 和一个 分类头，如下：BERT编码器：从预训练的BERT模型中获取商品标题的上下文表示。分类头：将BERT输出的 [CLS] token 表示通过一个线性层映射到品类空间，实现分类任务。"""初始化分类模型。:param freeze_bert: 是否冻结 BERT 编码器的参数（默认冻结，仅训练分类器）"""# 加载预训练的 BERT 模型# 定义分类器：将 BERT 输出的 CLS 向量映射到类别空间。]]></description><category></category></item><item><title><![CDATA[4、Spring AI Alibaba(SAA)零基础速通实战之ChatClient VS ChatModel]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/158428493</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/158428493</guid><author>qq_38132995</author><pubDate>Thu, 26 Feb 2026 17:32:56 +0800</pubDate><description><![CDATA[生产推荐混合使用,两者不是非此即彼，可以同时出现交替使用对比关注公众号"开源创富指南"，第一时间解锁更多技术。]]></description><category></category></item><item><title><![CDATA[58、AI大模型技术之Hugging Face生态]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/158355003</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/158355003</guid><author>qq_38132995</author><pubDate>Thu, 26 Feb 2026 08:00:00 +0800</pubDate><description><![CDATA[在使用 Hugging Face 提供的预训练模型时，通常需要同时加载 Tokenizer 和模型本体。它们是成对设计、配套使用的，确保文本输入经过正确处理后能被模型准确理解。Tokenizer 是将原始文本转换为模型输入的核心工具，其功能包括：将文本切分为子词（subword）单元；将子词映射为整数 ID（即input_ids）；自动添加特殊符号（如 [CLS]、[SEP]）；对输入进行截断、补齐（padding）；]]></description><category></category></item><item><title><![CDATA[57、AI大模型技术之Tensorboard快速入门]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/158354757</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/158354757</guid><author>qq_38132995</author><pubDate>Wed, 25 Feb 2026 07:00:00 +0800</pubDate><description><![CDATA[在 PyTorch 中使用 TensorBoard 的基本流程如下：（1）使用 torch.utils.tensorboard.SummaryWriter 将数据写入日志文件。（2）启动 TensorBoard 服务，让其监听指定日志目录。（3）使用浏览器访问 TensorBoard 页面，查看可视化结果，如标量曲线、直方图等。]]></description><category></category></item><item><title><![CDATA[56、AI大模型技术之NLP核心（7、Transformer API使用以及案例实操（中英翻译V3.0）)]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/157977944</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/157977944</guid><author>qq_38132995</author><pubDate>Sun, 15 Feb 2026 09:30:00 +0800</pubDate><description><![CDATA[GPT（Generative Pre-trained Transformer）是首个系统性提出“预训练 + 微调”范式的语言模型，由 OpenAI 于 2018 年 6 月发布，论文题为《Improving Language Understanding by Generative Pre-Training》。GPT 的核心设计理念体现在两个方面：预训练方式以“在给定前文条件下预测下一个词”为目标，对大规模非标注语料执行语言建模，令模型逐步掌握词汇分布、语法结构及长程依赖。微调方式。]]></description><category></category></item><item><title><![CDATA[54、AI大模型技术之NLP核心（6、Transformer解码器以及模型训练与推理机制)]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/157977291</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/157977291</guid><author>qq_38132995</author><pubDate>Wed, 11 Feb 2026 22:00:00 +0800</pubDate><description><![CDATA[Transformer 解码器的主要功能是：根据编码器的输出，逐步生成目标序列中的每一个词。其生成方式采用自回归机制（autoregressive）：每一步的输入由此前已生成的所有词组成，模型将输出一个与当前输入长度相同的序列表示。我们只取最后一个位置的输出，作为当前步的预测结果。这一过程会不断重复，直到生成特殊的结束标记 ，表示序列生成完成。编码器也由多个结构相同的解码器层堆叠组成。]]></description><category></category></item><item><title><![CDATA[55、AI大模型技术之NLP核心（6、Transformer API使用以及案例实操（中英翻译V3.0）)]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/157977454</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/157977454</guid><author>qq_38132995</author><pubDate>Wed, 11 Feb 2026 17:53:06 +0800</pubDate><description><![CDATA[PyTorch 提供了对 Transformer 的官方实现，该模块封装了完整的编码器-解码器结构，可直接应用于机器翻译、文本生成等典型的序列建模任务。6.4.2核心类PyTorch 中的 Transformer 模块由以下几个核心类构成：封装了完整的 Transformer架构，由编码器和解码器组成。作为顶层接口，适用于需要同时使用编码器和解码器的任务，如机器翻译。支持用户通过参数自定义层数、注意力头数、隐藏维度等模型结构。]]></description><category></category></item><item><title><![CDATA[53、AI大模型技术之NLP核心（6、Transformer模型核心结构以及编码器)]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/157902478</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/157902478</guid><author>qq_38132995</author><pubDate>Mon, 09 Feb 2026 11:59:52 +0800</pubDate><description><![CDATA[此前的Seq2Seq模型通过注意力机制取得了一定提升，但由于整体结构仍依赖 RNN，依然存在计算效率低、难以建模长距离依赖等结构性限制。为了解决这些问题，Google在2017 年发表一篇论文《Attention Is All You Need》，提出了一种全新的模型架构——Transformer。该模型完全摒弃了 RNN 结构，转而使用注意力机制直接建模序列中各位置之间的关系。通过这种方式，Transformer不仅显著提升了训练效率，也增强了模型对长距离依赖的建模能力。]]></description><category></category></item><item><title><![CDATA[52、AI大模型技术之NLP核心（5、Attention机制)]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/157738527</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/157738527</guid><author>qq_38132995</author><pubDate>Fri, 06 Feb 2026 12:00:00 +0800</pubDate><description><![CDATA[传统的 Seq2Seq 模型中，编码器在处理源句时，无论其长度如何，最终都只能将整句信息压缩为一个固定长度的上下文向量，用作解码器的唯一参考。这种设计存在两个显著问题：信息压缩困难：固定向量难以完整表达长句或复杂语义，容易丢失关键信息；缺乏动态感知：解码器在每一步生成中都只能依赖同一个上下文向量，难以根据不同位置的生成需要灵活提取信息。为了解决上述问题，研究者引入了 Attention 机制。]]></description><category></category></item><item><title><![CDATA[51、AI大模型技术之NLP核心（4、Seq2Seq模型)]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/157738281</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/157738281</guid><author>qq_38132995</author><pubDate>Thu, 05 Feb 2026 12:00:00 +0800</pubDate><description><![CDATA[传统的自然语言处理任务（如文本分类、序列标注）以​​静态输出​​为主，其目标是预测固定类别或标签。然而，现实中的许多应用需要模型​​动态生成新的序列​​，例如：​​机器翻译​​：输入中文句子，输出对应的英文翻译。​​文本摘要​​：输入长篇文章，生成简短的摘要。​​问答系统​​：输入用户问题，生成自然语言回答。​​对话系统​​：输入对话历史，生成连贯的下一条回复。这些任务具有两个关键共同点：输入和输出均为序列​​（如词、字符或子词序列）。]]></description><category></category></item><item><title><![CDATA[50、AI大模型技术之NLP核心（3、传统序列模型)]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/157618171</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/157618171</guid><author>qq_38132995</author><pubDate>Tue, 03 Feb 2026 08:00:00 +0800</pubDate><description><![CDATA[在自然语言中，词语的顺序对于理解句子的含义至关重要。虽然词向量能够表示词语的语义，但它本身并不包含词语之间的顺序信息。为了解决这一问题，研究者提出RNN（Recurrent Neural Network，循环神经网络）。RNN 会逐个读取句子中的词语，并在每一步结合当前词和前面的上下文信息，不断更新对句子的理解。通过这种机制，RNN 能够持续建模上下文，从而更准确地把握句子的整体语义。因此RNN曾是序列建模领域的主流模型，被广泛应用于各类NLP任务。]]></description><category></category></item><item><title><![CDATA[49、AI大模型技术之NLP核心（2、文本表示）]]></title><link>https://blog.youkuaiyun.com/qq_38132995/article/details/157581893</link><guid>https://blog.youkuaiyun.com/qq_38132995/article/details/157581893</guid><author>qq_38132995</author><pubDate>Mon, 02 Feb 2026 08:00:00 +0800</pubDate><description><![CDATA[目前市面上可用于中文分词的工具种类繁多，按照实现方式大致可以分为如下两类：1一类是基于词典或模型的传统方法，主要以“词”为单位进行切分；2另一类是基于子词建模算法（如BPE）的方式，从数据中自动学习高频字组合，构建子词词表。前者的代表工具包括 jieba、HanLP等，这些工具广泛应用于传统 NLP 任务中。后者的代表工具包括 Hugging Face Tokenizer、SentencePiece、tiktoken等，常用于大规模预训练语言模型中。]]></description><category></category></item></channel></rss>