文本相似度计算可以根据不同的分类标准进行分类。首先基于统计的方法分类，这种方法主要

关注文本中词语的出现频率和分布，通过统计信息来计算文本之间的相似度。常见的基于统计的方

法有余弦相似度、Jaccard相似度等。其次是基于语义的方法分类，这种方法试图理解文本的含义

和上下文，通过比较文本的语义信息来计算相似度。常见的基于语义的方法有基于词向量的方法

（如Word2Vec、GloVe等）和基于主题模型的方法（如LDA、PLSA等）。最后是基于机器学习的方

法分类，这种方法利用机器学习算法来训练模型，通过模型来预测文本之间的相似度。常见的基于

机器学习的方法有支持向量机（SVM）、神经网络等。

目前，在国内外，文本相似度计算已经取得了丰富的成果。国内方面，清华大学等机构的研究

者提出了基于深度学习的文本相似度计算方法，利用神经网络模型来捕捉文本的深层语义信息，实

现了较高的相似度计算精度。江苏师范大学的研究者提出了利用《新华字典》构建向量空间来做中

文文本语义相似度分析的方法，该方法在中文文本相似度计算方面取得了显著的效果。放眼国外，

Google的研究者提出了Word2Vec算法，该算法将词语表示为高维向量空间中的点，通过计算点之

间的距离来衡量词语之间的相似度。Word2Vec算法在文本相似度计算领域具有广泛的影响。斯坦

福大学等机构的研究者提出了BERT模型，该模型通过大量的无监督学习来捕捉文本的上下文信

息，可以实现高精度的文本相似度计算。BERT模型在多项自然语言处理任务中均取得了优异的表

现。

2.5本章小结

本章主要介绍了本项目中使用的四种关键技术与模型。这些技术主要基于大型语言模型，并且

依赖于RAG技术的原理。介绍了知识抽取技术，它利用先进的自然语言处理技术从文本中提取有意

义的信息和知识，随后讨论了文本处理中所使用的RAG技术，该技术可以显著提高大型语言模型在

专业领域的性能，增强信息检索的准确性和效率。最后探讨了在文本比对过程中所需的相似度计算

方法，这对于评估文本之间的相似程度至关重要。

了解清楚数据获取来源后，进行数据采集，数据采集的方法包括自动化和手动两种方式：