# rag-of-law
对法律问题进行了query识别的bert分类到法律种类库，通过训练双塔模型进行召回，使用基于规则的方式精排，最终使用qwen14b进行了基于知识库的问答
具体效果如下：
<img width="1280" alt="image" src="https://github.com/LDLINGLINGLING/rag-of-law/assets/47373076/31317e06-ff16-4daf-a440-ef0dff186c19">
<img width="1280" alt="image" src="https://github.com/LDLINGLINGLING/rag-of-law/assets/47373076/702fe885-57ca-4ebf-80fe-c18c147549aa">
<img width="1280" alt="image" src="https://github.com/LDLINGLINGLING/rag-of-law/assets/47373076/4f5534e7-1f39-4f61-97e7-c84751fca9ae">
<img width="1280" alt="image" src="https://github.com/LDLINGLINGLING/rag-of-law/assets/47373076/3c13cd5e-95af-45e1-9d38-2134dc115c86">
<img width="1280" alt="image" src="https://github.com/LDLINGLINGLING/rag-of-law/assets/47373076/8c50a74e-0d04-4cac-918c-146f8f87e13b">
<img width="1280" alt="image" src="https://github.com/LDLINGLINGLING/rag-of-law/assets/47373076/d28bd824-c184-41cb-b729-f0399a68449b">
对法律问题进行了query识别分类到法律库，通过训练双塔模型进行召回，使用基于规则的方式精排，最终使用qwen14b进行了精排.zip （12个子文件） 
DSqrs942240909 
web_main.py 7KB
training_data_sample.tsv.gz 19.07MB extract_law_embs.py 2KB training_data.json 23.84MB sample_run.py 1KB infer.py 2KB train_bi_encoder.py 10KB train_data_extractor.py 6KB fatiao.json 4MB data_proc.py 5KB bert_cls.py 12KB README.md 1KB资源评论
