数据集概述
本数据集围绕电池回收技术选择展开，包含基于知识图谱嵌入大语言模型的Battery-LLaMA模块、多目标优化框架相关数据，涵盖文献摘要、模型训练、优化结果等内容，为可持续电池回收技术研究提供支持。
文件详解
该数据集由多个目录和文件组成，具体说明如下：
- 数据文件目录（Data Utilized/）：
- 摘要数据文件：如Battery_Recycle_Conditions_5900.xlsx、Battery_Recycling_Approaches_2200.xlsx等，存储电池回收相关文献摘要数据
- 多目标优化数据：Energy vs Profit vs Avg Recovery Rate Data for 84 LIB abstracts.xlsx，记录锂离子电池回收的能耗、收益及回收率数据
- NER任务数据：Results_withpredict.csv、Battery Material 70 sample NER data.xlsx，包含命名实体识别任务的样本与预测结果
- Q&A任务数据：150_QnA.csv、30 QnA (For final testing).xlsx，存储问答任务的问题与答案数据
- 精炼数据表：New Combined_Screened.xlsx、Combined_Numeric Value Screening.xlsx，为筛选后的结构化数据
- 图片与文档目录（Figures/）：
- 模型相关：Battery-LLaMA.pdf、brkg1.pdf，展示Battery-LLaMA模型及电池回收知识图谱结构
- 优化结果：pareto_with_zoomed_subplot.pdf、MOO_Figure.pdf，呈现多目标优化的帕累托前沿等结果
- 训练曲线：Loss curve 1.png、Loss curve 2.png，记录模型训练过程中的损失变化
- 代码脚本目录（Python Scripts/）：
- 数据处理脚本：Data_Extraction.ipynb、Abstract Splitting.ipynb，用于文献数据提取与摘要拆分
- 知识图谱构建脚本：Testing & Building the BR-KG through Neo4J.ipynb，实现电池回收知识图谱的构建
- 模型训练脚本：Battery_NER_finetuning.ipynb，用于命名实体识别模型的微调
- 问答系统脚本：Huggingface_Langchain_Q_A_with_GraphDB_using_LLM_Agent.ipynb，构建基于知识图谱的问答系统
- 多目标优化脚本：MOO.ipynb，实现电池回收技术的多目标优化分析
适用场景
- 电池回收技术研究：分析不同回收工艺的能耗、收益及回收率，优化技术选择
- 大语言模型应用：研究知识图谱嵌入对领域大语言模型性能的提升效果
- 多目标优化分析：探索可持续发展目标下的技术决策优化方法
- 自然语言处理应用：开展电池回收领域的命名实体识别、问答系统等任务研究
