实验目的

之前利用llm构造触发器的方法效果还不错，命中率能达到1/5左右。现在有一个新的方法，具体见前置准备章节。最终的目的是利用这种新的方法提高实体识别的命中率。而我现在要做的是构造出数据集。

前置准备

论文精读

本次主要参考：AlignRE: An Encoding and Semantic Alignment Approach for Zero-Shot Relation Extraction，

熟悉开发板

前言

这篇帖子用来记录大三上学期的智能系统选修课大作业，仍在完善中。

Pre-preparation

Background and needs

The purpose of this task is to construct a set of triggers for a relational extraction model. Simply put, it tells the model which triggers correspond to which relationships.

Dataset

题目一

实验目的

用变分自编码器生成MNIST手写数字，实现以下要求：

推荐使用高斯分布随机初始化模型参数，可以避免一部分模式坍塌问题。

"在框架如此完备的情况下，使用模型是俗手；设计模型是本手；而构造训练数据集，my friend，这才是妙手。"

实验室项目记录——为RAG构造数据集

前置准备

背景和需求

最后要做成一个知识图谱类的RAG模型，做知识库训练的数据主要是论文。

模型简介

链接

简介

这是一个对AMP（抗菌肽）做二元分类和回归的sota模型，基于pytorch。