补充面试题（简历话术 + 扩展题）

主体（12 类节点）

• Restaurant 餐饮商户 —— 核心主体（信用代码、地址、业态、风险等级、法人、状态）

• License 资质证照（编号、类型、有效期、发证机关、状态）

• Person 从业人员（姓名、职务、健康证编号）

• HealthCert 健康证明（编号、有效期、发证机构、状态）

• Inspection 监督检查（检查日期、类型、结果、检查员）

• Violation 违法事项（编码、严重程度、描述、别名）

• Punishment 行政处罚（决定书号、处罚类型、罚款金额、依据）

• Complaint 投诉记录（编号、原因、状态、结果）

• LawArticle 法规条款（法律名、条号、内容摘要）

• Discretion 裁量基准（情形、等级、处罚区间、复核状态）

• District 辖区网格（网格号、分局）

• Regulator 监管人员（工号、分局、网格号）

关系（12 类）

Restaurant 直接关系（6 条）：

• HOLDS_LICENSE：Restaurant → License，持有许可证

• EMPLOYS：Restaurant → Person，雇佣从业人员

• LOCATED_IN：Restaurant → District，位于辖区

• SUPERVISED_BY：Restaurant → Regulator，归属监管员

• HAS_INSPECTION：Restaurant → Inspection，接受检查

• HAS_COMPLAINT：Restaurant → Complaint，被投诉

延伸链关系（6 条）：

• HAS_HEALTH_CERT：Person → HealthCert，持有健康证

• FINDS_VIOLATION：Inspection → Violation，检查发现违法

• HAS_PUNISHMENT：Violation → Punishment，违法对应处罚

• VIOLATES_LAW：Violation → LawArticle，违反法规条款

• HAS_DISCRETION：LawArticle → Discretion，条款对应裁量基准

• BELONGS_TO：Regulator → District，监管员属于辖区

• 推荐：RTX 4090 24G (=A10)；备选：RTX 3090 24G

• 16G 显卡可跑（需梯度检查点 + 降 batch_size）

• 框架：LLaMA-Factory

• 50,000 条数据：49,000 训练样本，RTX 4090，epoch=1.2，batch_size=8

• LoRA 训练 8–11 小时

• 合成数据禁止高 epoch，防过拟合

• 数据构造：写脚本大模型生成，语法检测，大模型语义检测，部分人工检测，人工提供部分真实数据

Rank (r)：低秩矩阵的维度，决定可训练参数量和信息容量。r 越大，模型表达能力越强但显存占用越高；通常取 8~64。
Alpha (α)：缩放系数，控制 LoRA 权重对基座模型的影响强度。实际生效的缩放因子为 α / r，增大 α 等效于提高 LoRA 的学习率或贡献度。 惯例取值一般是r 或者r的两倍，学的太慢就调大一点，过拟合及调小一点

我基于 LangChain 的 DocumentLoader 做统一文档加载：PDF、Word、Markdown 分别用对应 Loader 解析为标准 Document 对象；针对扫描件和图片，集成 RapidOCR 做本地离线识别，识别文本回填后统一进入切分、向量化流程，供本项目的 Agent 检索问答和材料审核使用。

• 加载分开：PDF 用 PyPDFLoader、Word 用 Docx2txtLoader、Markdown 用 UnstructuredMarkdownLoader，各自解析成统一的 Document 对象（含 content + metadata）

• 切分统一：所有 Document 进入同一条链路，用同一个 splitter（如 RecursiveCharacterTextSplitter，或按结构用 MarkdownHeaderTextSplitter）切分，再统一向量化入库

即"多入口、一条管道"——Loader 层格式各异，切分和后续处理完全复用。

本项目采用的 OpenAI messages 格式（jsonl）

数据文件（nl2cypher_train_50k.jsonl、intent_train_20k.jsonl）每行一条：

{
    "messages": [
        {
            "role": "user",
            "content": "【图谱Schema】\n节点：xxx\n需求：xxx，请输出可执行Cypher"
        },
        {
            "role": "assistant",
            "content": "MATCH ... RETURN ..."
        }
    ]
}

alpaca/sharegpt 格式：instruction、input、output 三元组； 多轮用 messages 列表，套模型 chat template。 三种格式对比

回归用 MSE；分类用交叉熵；二分类和多标签用 BCE；样本不均衡可加 focal loss。

回归用 MSE，算预测和真实的平方差；二分类用 BCE，是多分类交叉熵的特例；多分类用交叉熵，衡量预测概率与真实标签的差距。核心就是：回归看距离，分类看概率分布差异，选对损失函数模型才能学得好。