面向知识问答的兵马俑领域RAFT数据集构建研究
摘要
针对兵马俑领域考古文献分散度高、数字化程度低、结构化缺失，难以支撑领域知识图谱搭建的问题，本
文提出一套完整的兵马俑领域RAFT（Retrieval-Augmented Fine-Tuning）数据集构建方案。以兵马俑核心考古文献
为数据源，通过图像预处理、OCR识别与文本清洗实现非结构化文献数字化；采用滑动窗口分块、语义向量化与
FAISS索引构建可追溯知识片段库；基于RAFT训练机制，构造包含正样本与困难负样本的检索增强上下文，生成多
类型证据约束问答样本。实验结果表明，处理后文本字符识别准确率达97.1%，领域术语识别准确率95.4%，最终构
建包含23000个知识片段、17000条问答样本的兵马俑领域专用数据集。该数据集可有效支撑大模型领域微调、知识
图谱构建等任务，为兵马俑文化遗产数字化传承与智能知识服务提供数据支撑。
文提出一套完整的兵马俑领域RAFT（Retrieval-Augmented Fine-Tuning）数据集构建方案。以兵马俑核心考古文献
为数据源，通过图像预处理、OCR识别与文本清洗实现非结构化文献数字化；采用滑动窗口分块、语义向量化与
FAISS索引构建可追溯知识片段库；基于RAFT训练机制，构造包含正样本与困难负样本的检索增强上下文，生成多
类型证据约束问答样本。实验结果表明，处理后文本字符识别准确率达97.1%，领域术语识别准确率95.4%，最终构
建包含23000个知识片段、17000条问答样本的兵马俑领域专用数据集。该数据集可有效支撑大模型领域微调、知识
图谱构建等任务，为兵马俑文化遗产数字化传承与智能知识服务提供数据支撑。
关键词
兵马俑；RAFT；OCR识别；知识问答
全文:
PDF参考
[1]田静.世界遗产视野下的秦陵秦俑研究[J].秦始皇
帝陵博物院，2018，（0）：1-17.
[2]高 小 燕.公 共 考 古 视 域 下 文 化 遗 产 价 值 传
播 研 究[D].西 北 大 学，2019.DOI：10.27405/d.cnki.
gxbdu.2019.000131.
[3]刘熠璠.多样态传承与创新传播视角下的数字化
帝陵研究：以兵马俑APP为例[D].西安理工大学，2025.
DOI：10.27398/d.cnki.gxalu.2025.001609.
[4]刘 梦 瑶， 王 武 军， 彭 继 阳， 等.大 模 型 技 术
及其在垂直领域应用综述[J/OL].计算机测量与控制，
1-10[2026-08-26].https：//link.cnki.net/urlid/11.4762.
TP.20260408.1756.022.
[5]刘啸.人工智能大模型在智慧文旅领域的创新应
用[J].中国安防，2024，（6）：54-58.
[6]袁乐，刘绍华，王禹，等.大语言模型检索增强
生成优化技术研究综述[J].计算机学报，2026，49（2）：
383-422.
[7]孙海鹏，陶文豪，毕晓君.面向OCR的满文古
籍单词数据集[J].中国科学数据（中英文网络版），2026，
11（1）：575-585.
[8]项颖峰.基于知识图谱与检索增强的设施园艺问
答系统构建与验证[D].西北农林科技大学，2025.DOI：
10.27409/d.cnki.gxbnu.2025.002269.
Refbacks
- 当前没有refback。
