余生H_个人页

2024年10月

• 10.16 15:58:14
  发表了文章 2024-10-16 15:58:14

  汉字的探索性分词方式：基于字图的部首分解与图神经网络的多因素表示

  本文提出一种结合传统字符嵌入与部首结构的图表示法，用于捕捉汉字的语义和组成结构，提升大模型对汉字的理解能力。方法包括将字符分解为部首，构建部首图，并利用图卷积网络生成嵌入。此方法增强了模型的泛化能力和灵活性，并提供了代码实现。未来可优化的方向包括改进图构建算法、扩展部首系统、探索更先进的图神经网络架构及多模态融合。
• 10.16 14:36:47
  发表了文章 2024-10-16 14:36:47

  互联网时代呼唤‘新中文‘的崛起 - 谈谈象形文字在如今分词方法下面临的挑战

  本文探讨了汉字在互联网和大模型时代的挑战与机遇，分析了汉字在创造新词、自然语言处理等方面的局限性，并提出了“新中文”概念，包括二维部首组合法、拼音化与语调简化等创新方法，旨在保留汉字文化精髓的同时，提升其在数字时代的适应性和处理效率。
• 10.16 14:14:33
  发表了文章 2024-10-16 14:14:33

  快速构建企业智能门户，销售额倍增，人才触手可及 - 爬虫 + RAG + LLM

  本文介绍了一款基于大模型的智能企业门户接待系统，旨在通过先进的AI技术，实现企业网站信息的自动化处理与响应，提高客户支持、产品推荐和人才招聘的效率。系统利用爬虫技术自动提取公司官网信息，结合语音识别、大模型生成等技术，支持语音和文本输入，通过RAG（检索增强生成）方式生成精准回答，并支持语音播报，提供类似真人的接待体验。项目涵盖了环境准备、数据构建、代码实现、测试调优、部署等多个阶段，详细记录了开发过程中遇到的问题及解决方案，展示了系统在咨询公司信息、产品询问及招聘岗位咨询等场景下的应用潜力。未来计划在数据类型支持、会话记忆、并发处理、语音合成等方面进一步优化，以提升用户体验和服务质量。
• 10.12 11:56:24
  发表了文章 2024-10-12 11:56:24

  前端RAG：使用Transformers.js手搓纯网页版RAG（二）- 基于qwen1.5-0.5B

  本文继续探讨了RAG的后半部分，通过在浏览器中运行qwen1.5-0.5B模型实现了增强搜索全流程。然而，由于浏览器与模型性能限制，该方案更适合研究、离线及高隐私场景。文章提供了完整的前端代码，让读者能够动手尝试。此外，详细介绍了代码框架、知识库准备、模型初始化及问答实现等步骤，并展示了实际运行效果。受限于当前技术，除非在离线或高隐私环境下，网页大模型的应用仍需进一步优化。
• 10.12 11:54:39
  发表了文章 2024-10-12 11:54:39

  纯前端RAG：使用Transformers.js实现纯网页版RAG（一）

  本文将分两部分教大家如何在网页中实现一个RAG系统，本文聚焦于深度搜索功能。通过浏览器端本地执行模型，可实现文本相似度计算和问答匹配，无需依赖服务器。RAG搜索基于高维向量空间，即使不完全匹配也能找到意义相近的结果。文中详细介绍了如何构建知识库、初始化配置、向量存储及相似度计算，并展示了实际应用效果。适用于列表搜索、功能导航、文档查询及表单填写等多种场景。
• 10.11 16:54:12
  发表了文章 2024-10-11 16:54:12

  前端大模型入门：Transformer.js 和 Xenova-引领浏览器端的机器学习变革

  除了调用API接口使用Transformer技术，你是否想过在浏览器中运行大模型？Xenova团队推出的Transformer.js，基于JavaScript，让开发者能在浏览器中本地加载和执行预训练模型，无需依赖服务器。该库利用WebAssembly和WebGPU技术，大幅提升性能，尤其适合隐私保护、离线应用和低延迟交互场景。无论是NLP任务还是实时文本生成，Transformer.js都提供了强大支持，成为构建浏览器AI应用的核心工具。