现今，学术文献爆炸式增长。现有的学术搜索引擎大多聚焦于关键词检索，然而关键词并不能完全体现出论文的研究思想、贡献等更深层次的语义信息，如何有效地解析论文，提取论文内的研究问题、解决方法以及研究贡献并检索相似论文仍是待探索的问题。尤其，不同的学术文献之间的idea往往呈现出某个或多个维度的相似性（如思想方法高度一致、贡献相关、规律发现相似、解决思路相似等）。系统化地梳理和返回巨量文献之间的idea相似性，有助于为科研人员提供领域内、领域间不同程度学术发展脉络的结构化图谱，帮助科研人员理清学术研究发展的来龙去脉，并有机会从中发现潜在的有趣的科学新问题。现有的人力阅读方法已远远无法胜任激增的学术文献深度浏览的重任，唯有有效利用AI技术，涉及高效智能的类人化文本深度理解方法，才能有机会破解这个难题。

针对这一问题，本课题基于大预言模型技术自动化构建了论文的研究思想数据集，利用先进的模型微调技术，训练大语言模型有效地提炼出论文的研究思想；并将模型输出的特征向量与向量数据库技术结合构建高效的检索系统；最后课题拟基于检索增强的文本生成（RAG）技术，设计出针对下游文本生成任务自适应、可学习的检索网络，进一步提升大模型的文献理解能力。

该项目是一项集理论创新与技术落地于一体的系统性实践项目，最后会在2亿余篇学术文献上进行部署验证，具有较高的实际价值。欢迎感兴趣的同学选报。尤其，对于大模型，知识图谱，自然语言处理等技术有兴趣的同学非常值得选报该课题，会收获多方面的技能和素养提升。