最后是将各个途径获取到的文献数据和元数据汇总，进行数据预处理。

采集到的数据需经过清洗和预处理，才能用于后续的分析。

数据预处理的步骤包括：

数据清洗：删除重复的记录，校正错误的数据格式，填补缺失值。

数据整合：将来自不同来源的数据整合到一个统一的格式和数据库中，如表 3.1 所示，以便进

为了使后续知识库生成更加准确与完善，对文献具体内容进行筛选。例如部分文献中并未提到

所用数据，而是指出所用数据库链接，如图 3.3 所示，在对该篇文献进行解析后，数据部分就是欠

缺的，最终构建的知识库就不完整，在调用大模型回答相关问题时，极大概率产生幻觉。因此为了

构建更为准确的专业模型，对爬取下来的 507 篇文献进行筛选，选择包括流程图（system

boundaries）、各单元过程或生产环节的投入（ input），产出（ output），数据（ ），以及数据的时间、地点、获取方法、技术细节的文献作为最后应用的数据。核对内容

后的文献数据集共 98 篇英文文献。

数据预处理

Unstructured 库是一个强大的工具，专为处理非结构化数据设计，具体流程如图 3.7 所示，

如从文本文档、PDF 文件或网页中提取数据。它支持多种数据提取方法，包括正则表达式匹配、自

然语言处理（NLP）技术等。

数据预处理步骤如下：

步骤一：数据清洗

去除杂质：从文本中去除无关的字符，如特殊符号、空白行等。

格式统一：将所有文本统一为相同的编码格式，通常为 UTF-8，以避免编码错误。

语言标准化：统一不同术语的使用，例如将所有"photovoltaic"统一替换为"PV"，确保术语的

一致性。

步骤二：信息提取

关键信息标识：标识文献中的关键信息，如研究方法、主要结论、实验条件等。

数据分类：根据信息类型将数据分类，如作者、出版年份、研究结果等。

步骤三：结构化转换

结构化处理：将信息精细化拆解与清洗，将各种元素进行转换，形成结构化数据形式，拆分成

非结构化文本数据通常非常稀疏，即包含大量的词汇但每个文档只使用其中的一小部分。而结

构化数据则可以通过合并相似信息来降低数据的稀疏性，这有助于生成更加紧凑和有效的嵌入向

量。

结构化数据可以实现更高效的特征提取。结构化数据通常已经按照特定的模式或结构进行了组

织，这使得我们可以更加高效地从中提取有用的特征（如标题、作者、摘要、关键词等）。这些特

征可以作为后续的输入，帮助生成具有更强区分性和泛化能力的嵌入向量。结构化数据

中的元素（如主题、类别、属性等）通常具有明确的含义，这些含义可以在 过程中被保

留下来。因此，基于结构化数据的嵌入向量往往具有更强的解释性，有助于我们更好地理解模型的

预测结果和内部机制。