山东大学软件学院创新项目实训DrugLLM-基于大语言模型的药物分子性质分析平台（三）

目录

一、本周进度

二、学习内容

2.1 DrugChat模型

2.2 CSS+js学习

---

一、本周进度

        本周在已经搭建好的前后端框架上，站在用户的角度分析设计需求，进一步完善了DrugLLM系统的功能和非功能性需求，并在前端页面上做了进一步的美化。

二、学习内容

2.1 DrugChat模型

1. NLP技术：DrugChat利用NLP技术来理解用户输入的自然语言，通过分词、词性标注、命名实体识别等技术，将用户提出的问题或输入的信息转化为计算机可以理解和处理的形式。

2. 语义理解：DrugChat模型能够理解输入中的语义，而不仅仅是简单的词汇匹配。

3. 药物知识图谱：DrugChat利用药物知识图谱来存储和管理药物相关信息。这种图谱包括药物的名称、化学成分、功效、副作用、禁忌、药物相互作用等信息，以及它们之间的关系。

4. 推荐系统：基于用户提供的信息和问题，DrugChat可以使用推荐系统来推荐合适的药物或提供相关的健康建议。这可能涉及基于用户健康状况、症状、过敏情况等因素的个性化推荐。

5. 机器学习和深度学习：DrugChat模型采用机器学习和深度学习技术来不断优化其性能，通过大量的数据训练模型，使其能够更准确地理解用户输入，并提供更精准的药物信息和建议。

2.2 CSS+js

1. 关于异步加载：对于不影响页面渲染的CSS，可以将其异步加载，以提高首次渲染速度。例如，可以使用JavaScript动态加载CSS文件，或者在HTML中使用<link>标签的preload属性进行预加载。

2. 关于延迟加载：对于不是立即需要的CSS（例如在用户滚动页面时才需要的样式），可以延迟加载。通过JavaScript根据需要动态插入<link>标签或使用@import规则加载CSS。

3. 关于内联关键CSS：将关键的CSS（例如用于首屏渲染的样式）内联到HTML中，减少HTTP请求并加快页面渲染速度。这可以通过工具自动化实现，例如Webpack的style-loader和css-loader。