AI Personal Learning
und praktische Anleitung
CyberKnife-Zeichenspiegel

GAG: Generierung eines Graphen sozialer Beziehungen unter Verwendung eines großen Modells zur Simulation menschlichen Verhaltens

Allgemeine Einführung

GraphAgent ist ein Open-Source-Framework, das auf GitHub gehostet und von Ji-Cather entwickelt wird. Es nutzt das Large Language Model (LLM), um menschliches Verhalten zu simulieren und dynamische, soziale Graphen mit Textattributen zu erzeugen. Dieses Tool eignet sich für Szenarien wie soziale Online-Medien, E-Commerce und die Erstellung von Aufsätzen und hilft Nutzern, Interaktionen im Web tiefgreifend zu analysieren. Es erzeugt nicht nur Graphenstrukturen, die den realen Eigenschaften entsprechen, sondern überprüft auch die Genauigkeit der Simulation, indem es sie mit realen Graphen vergleicht.Der Code von GraphAgent ist frei und offen und kann heruntergeladen, modifiziert und für die Forschung in Soziologie, Netzwerkwissenschaft und mehr verwendet werden.

GAG: Generierung eines Graphen sozialer Beziehungen unter Verwendung eines großen Modells zur Simulation menschlichen Verhaltens-1


 

Funktionsliste

  • Simulation menschlichen VerhaltensGenerierung eines Graphen sozialer Beziehungen durch Simulation realer menschlicher Interaktionen anhand eines großen Modells.
  • Dynamische Generierung sozialer GraphenDynamische Diagramme mit Textattributen auf der Grundlage von Eingabedaten oder Benutzeraufforderungen erstellen.
  • Validierung der GraphenstrukturVergleichen Sie die generierten Diagramme mit realen Diagrammen, um die Genauigkeit der Makro- und Mikromerkmale zu beurteilen.
  • Großflächige GraphenerweiterungUnterstützung für die Erstellung sehr großer Graphen mit 100.000 Knoten oder 10 Millionen Kanten.
  • Open-Source-AnpassungVollständiger Code wird zur Verfügung gestellt, und die Benutzer können die Funktionalität nach ihren Bedürfnissen anpassen.

 

Hilfe verwenden

GraphAgent ist ein Open-Source-Tool, das auf GitHub basiert und für die Installation und Verwendung einige technische Grundlagen erfordert. Im Folgenden finden Sie eine detaillierte Installations- und Betriebsanleitung, damit Sie schnell loslegen können.

Ablauf der Installation

  1. Vorbereiten der Umgebung
    • Installieren Sie Python 3.9 (empfohlene Version). Geben Sie im Terminal ein python --version Überprüfen Sie die Version.
    • Installieren Sie Git. Windows-Benutzer können es von der offiziellen Website herunterladen, Mac-Benutzer können es mit dem Programm brew install git.
    • So erstellen Sie eine virtuelle Umgebung: Geben Sie im Terminal conda create --name LLMGraph python=3.9und aktivieren Sie dann conda LLMGraph aktivieren.
  2. GraphAgent herunterladen
    • Geben Sie ihn in das Terminal ein:git clone https://github.com/Ji-Cather/GraphAgent.git.
    • Rufen Sie den Projektkatalog auf:cd GraphAgent.
  3. Installation von Abhängigkeiten
    • Installieren Sie die AgentScope-Bibliothek:
      • Einfuhr git clone https://github.com/modelscope/agentscope/.
      • Zugang zum Katalog cd agentscopeund führen Sie dann git reset --hard 1c993f9 Gesperrte Version.
      • Einbau:pip install -e . [distribute].
    • Projektabhängigkeiten installieren: im GraphAgent-Verzeichnis ausführen pip install -r anforderungen.txt.
  4. API-Schlüssel konfigurieren
    • zeigen (eine Eintrittskarte) LLMGraph/llms/default_model_configs.json Dokumentation.
    • Fügen Sie Ihren Modell-API-Schlüssel hinzu, z. B. den von OpenAI gpt-3.5-turbo-0125 vielleicht VLLM (in Form eines Nominalausdrucks) Lama3-70B.
    • Beispielkonfiguration:
      {
      
      "config_name": "gpt-3.5-turbo-0125", "model_name": "gpt-3.5-turbo-0125", "model_type": "openai_chat",
      
      "api_key": "sk-your-key",
      "generate_args": {"max_tokens": 2000, "temperature": 0.8}
      }
      
    • Vergewissern Sie sich nach dem Speichern der Datei, dass der Schlüssel gültig ist.
  5. Laufende Projekte
    • Geben Sie in das Terminal export PYTHONPATH=. / Setzen von Umgebungsvariablen.
    • Wählen Sie die Modellspitzenvorlage, z. B. export MODEL=gpt(mit GPT-Vorlage).

Vorbereitung der Daten

  • Download von Beispieldaten:
    • Einfuhr git clone https://oauth2:RxG7vLWFP_NbDhmB9kXG@www.modelscope.cn/datasets/cather111/GAG_data.git.
    • Die Daten umfassen Beispiele von Tweets, Filmbewertungen und Aufsatzzitaten.

Hauptfunktionen

1. die Simulation menschlichen Verhaltens und die Erstellung sozialer Graphen

  • Erstellung von Diagrammen aus Daten::
    • Tweets Netzwerk:python main.py --task tweets --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json".
    • Film Ratings Network:python main.py --task movielens --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json".
    • Thesis Citation Network:python main.py --task citeseer --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json".
  • Generierung von Diagrammen aus Benutzereingaben::
    • Beispiel:python main.py --user_input "Ich möchte Autor-Paper-Interaktionen simulieren und stark geclusterte Zitationsnetzwerke generieren" --build.
  • AusgabeergebnisDie erzeugten Dateien befinden sich unter dem angegebenen Pfad und können mit einem Visualisierungstool wie Gephi angezeigt werden.

2. parallele beschleunigte Operationen

  • Parallele Dienste starten: In einem Terminal ausführen python start_launchers.py --launcher_save_path "LLMGraph/llms/launcher_info.json".
  • betreiben.In einem anderen Terminal, führen Sie python main.py --task tweets --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info.json".
  • Schneidkante90,41 TP3T-Beschleunigung bei der Erstellung großer Graphen.

3. die Validierung der Figurenstruktur

  • Führen Sie das Auswertungsskript aus::
    • Soziale Netzwerke:python auswerten/soziales/haupt.py.
    • Film Network:python auswerten/film/haupt.py.
    • Das Web zitieren:python auswerten/Artikel/haupt.py.
  • Analyse der ErgebnisseErstellung von Berichten, die makroskopische Merkmale (z. B. Power-Law-Verteilungen) und Mikrostrukturen (Heben von 11%) des Graphen zeigen.

Bedienungskompetenz

  • Debug-ModusBetrieb mit einem einzigen Port (z.B. --launcher_save_path "LLMGraph/llms/launcher_info_none.json"), um die Fehlersuche zu erleichtern.
  • PersonalisierungModifikation main.py oder Konfigurationsdateien, um Modellparameter oder Regeln für die Diagrammerstellung anzupassen.
  • Hilfe anzeigen: Lauf python main.py --help Details zum Befehl abrufen.

caveat

  • Stellen Sie sicher, dass der API-Schlüssel gültig ist, sonst kann das Programm das große Modell nicht aufrufen.
  • Für die Erstellung umfangreicher Graphen ist ein Hochleistungscomputer mit mindestens 16 GB RAM empfehlenswert.
  • Das Projekt wird laufend aktualisiert, schauen Sie regelmäßig auf GitHub nach der neuesten Version.

 

Anwendungsszenario

  1. Analyse sozialer Medien
    Modellierung von Nutzerinteraktionen und Generierung von Aufmerksamkeitsnetzen zur Unterstützung der Forschung über die Ausbreitung von Auswirkungen.
  2. Studie über Empfehlungen für den elektronischen Geschäftsverkehr
    Optimierung des Designs von Empfehlungssystemen durch Benutzer-Element-Interaktionsgraphen.
  3. Akademisches Zitationsnetzwerk
    Erstellen Sie Zitationskarten von Artikeln und analysieren Sie Forschungstrends und wissenschaftliche Beziehungen.
  4. Ein soziologisches Experiment
    Verwendung simulierter Daten zur Untersuchung menschlicher Verhaltensmuster und zur Erforschung der Gesetze der Netzentwicklung.

 

QA

  1. Wie groß ist der Graph, den GraphAgent erstellen kann?
    Unterstützt große Graphen mit 100.000 Knoten oder 10 Millionen Kanten, die schnell sind und parallel beschleunigt werden können.
  2. Muss ich bezahlen?
    Das Framework ist kostenlos, aber der Aufruf großer Modelle kann eine API-Gebühr erfordern (z. B. OpenAI).
  3. Sind chinesische Daten verfügbar?
    Ja, sowohl Chinesisch als auch Englisch werden unterstützt, solange sie im Textformat vorliegen.
  4. Was ist, wenn ich einen Laufzeitfehler erhalte?
    Überprüfen Sie die Python-Version, die Installation von Abhängigkeiten und die API-Konfiguration oder bitten Sie um Hilfe bei GitHub Issues.
Darf nicht ohne Genehmigung vervielfältigt werden:Chef-KI-Austauschkreis " GAG: Generierung eines Graphen sozialer Beziehungen unter Verwendung eines großen Modells zur Simulation menschlichen Verhaltens

Chef-KI-Austauschkreis

Der Chief AI Sharing Circle konzentriert sich auf das KI-Lernen und bietet umfassende KI-Lerninhalte, KI-Tools und praktische Anleitungen. Unser Ziel ist es, den Nutzern dabei zu helfen, die KI-Technologie zu beherrschen und gemeinsam das unbegrenzte Potenzial der KI durch hochwertige Inhalte und den Austausch praktischer Erfahrungen zu erkunden. Egal, ob Sie ein KI-Anfänger oder ein erfahrener Experte sind, dies ist der ideale Ort für Sie, um Wissen zu erwerben, Ihre Fähigkeiten zu verbessern und Innovationen zu verwirklichen.

Kontaktieren Sie uns
de_DE_formalDeutsch (Sie)