GAG: generación de un gráfico de relaciones sociales mediante un gran modelo para simular el comportamiento humano

Introducción general

GraphAgent es un marco de código abierto alojado en GitHub y desarrollado por Ji-Cather. Utiliza el Large Language Model (LLM) para simular el comportamiento humano y generar gráficos sociales dinámicos con atributos textuales. Esta herramienta es adecuada para escenarios como las redes sociales en línea, el comercio electrónico y la creación de ensayos, ayudando a los usuarios a analizar en profundidad las interacciones en la web. No sólo genera estructuras de grafos que se ajustan a las características del mundo real, sino que también verifica la exactitud de la simulación comparándola con grafos reales.El código de GraphAgent es libre y abierto, y puede descargarse, modificarse y utilizarse para la investigación en sociología, ciencia de redes, etc.

Lista de funciones

• Simulación del comportamiento humano: Generar un grafo de relaciones sociales simulando interacciones humanas reales a través de un gran modelo.
• Generación dinámica de gráficos socialesCreación de diagramas dinámicos con atributos de texto en función de los datos introducidos o de las instrucciones del usuario.
• Validación de la estructura gráficaCompara los gráficos generados con gráficos reales para evaluar la precisión de las características macro y micro.
• Expansión de gráficos a gran escalaSoporte para generar grafos muy grandes que contengan 100.000 nodos o 10 millones de aristas.
• Ajuste de código abiertoSe proporciona el código completo y los usuarios pueden personalizar la funcionalidad según sus necesidades.

Utilizar la ayuda

GraphAgent es una herramienta de código abierto basada en GitHub y requiere algunos fundamentos técnicos para su instalación y uso. A continuación encontrarás una guía detallada de instalación y funcionamiento para que puedas empezar a utilizarla rápidamente.

Proceso de instalación

1. Preparar el entorno
   • Instale Python 3.9 (versión recomendada). En el terminal, escriba python --version Comprueba la versión.
   • Instalar Git. Los usuarios de Windows pueden descargarlo desde el sitio web oficial, los usuarios de Mac pueden descargarlo con la aplicación brew install git.
   • Para crear un entorno virtual: En el terminal, escriba conda create --name LLMGraph python=3.9y luego activar conda activate LLMGraph.
2. Descargar GraphAgent
   • Introdúcelo en el terminal:git clone https://github.com/Ji-Cather/GraphAgent.git.
   • Vaya al catálogo de proyectos:cd GraphAgent.
3. Instalación de dependencias
   • Instale la biblioteca AgentScope:
     • importación git clone https://github.com/modelscope/agentscope/.
     • Acceso al catálogo cd agentscopey luego ejecute git reset --hard 1c993f9 Versión cerrada.
     • Instalación:pip install -e .[distribute].
   • Instalar las dependencias del proyecto: ejecutar en el directorio GraphAgent pip install -r requirements.txt.
4. Configuración de claves API
   • espectáculo (una entrada) LLMGraph/llms/default_model_configs.json Documentación.
   • Añade la clave API de tu modelo, como la de OpenAI gpt-3.5-turbo-0125 tal vez VLLM (utilizado como expresión nominal) llama3-70B.
   • Ejemplo de configuración:

     {
     "model_type": "openai_chat",
     "config_name": "gpt-3.5-turbo-0125",
     "model_name": "gpt-3.5-turbo-0125",
     "api_key": "sk-你的密钥",
     "generate_args": {"max_tokens": 2000, "temperature": 0.8}
     }
     

   • Después de guardar el archivo, asegúrese de que la clave es válida.
5. Proyectos en curso
   • En el terminal, escriba export PYTHONPATH=./ Configuración de variables de entorno.
   • Seleccione la plantilla de la punta del modelo, por ejemplo export MODEL=gpt(con plantilla GPT).

Preparación de datos

• Descargar datos de ejemplo:
  • importación git clone https://oauth2:RxG7vLWFP_NbDhmB9kXG@www.modelscope.cn/datasets/cather111/GAG_data.git.
  • Los datos incluyen muestras de tuits, valoraciones de películas y citas de ensayos.

Funciones principales

1. Simulación del comportamiento humano y generación de grafos sociales

• Generar gráficos a partir de datos::
  • Red de Tweets: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".
  • Red de Citas de Tesis:python main.py --task citeseer --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json".
• Generación de diagramas a partir de datos introducidos por el usuario::
  • Ejemplo:python main.py --user_input "我想模拟作者与论文的互动，生成高聚类度的引用网络" --build.
• resultado de salidaLos archivos generados se encuentran en la ruta especificada y pueden visualizarse con una herramienta de visualización como Gephi.

2. Operaciones aceleradas en paralelo

• Iniciar servicios paralelosEjecutar en un terminal python start_launchers.py --launcher_save_path "LLMGraph/llms/launcher_info.json".
• operarEn otro terminal, ejecute python main.py --task tweets --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info.json".
• vanguardia90.41 TP3T speedup for large-scale graph generation.

3. Validación de la estructura de las figuras

• Ejecutar el script de evaluación::
  • Redes sociales:python evaluate/social/main.py.
  • Film Network:python evaluate/movie/main.py.
  • Citando la Web:python evaluate/article/main.py.
• Análisis de los resultadosGenerar informes que muestren las características macroscópicas (por ejemplo, distribuciones power-law) y microestructuras (levantamiento 11%) del gráfico.

habilidad operativa

• modo depuración: Funcionamiento con un único puerto (por ejemplo --launcher_save_path "LLMGraph/llms/launcher_info_none.json") para facilitar la resolución de problemas.
• PersonalizaciónModificación main.py o archivos de configuración para ajustar los parámetros del modelo o las reglas de generación de gráficos.
• Ver ayuda: Ejecutar python main.py --help Obtener detalles del comando.

advertencia

• Asegúrese de que la clave API es válida, de lo contrario el programa no podrá llamar al modelo grande.
• La generación de gráficos a gran escala requiere un ordenador de alto rendimiento con al menos 16 GB de RAM.
• El proyecto se actualiza continuamente, consulte GitHub con regularidad para obtener la última versión.

escenario de aplicación

1. Análisis de redes sociales
   Modelización de las interacciones de los usuarios y generación de redes de interés para contribuir a la propagación del impacto de la investigación.
2. Estudio de recomendaciones sobre comercio electrónico
   Optimización del diseño de sistemas de recomendación mediante gráficos de interacción usuario-elemento.
3. Red de Citas Académicas
   Genere mapas de citas de artículos y analice las tendencias de la investigación y las relaciones académicas.
4. Un experimento sociológico
   Utilización de datos simulados para estudiar patrones de comportamiento humano y explorar las leyes de la evolución de las redes.

CONTROL DE CALIDAD

1. ¿Qué tamaño de gráfico puede generar GraphAgent?
   Admite grafos a gran escala con 100.000 nodos o 10 millones de aristas, que son rápidos y pueden acelerarse en paralelo.
2. ¿Tengo que pagar?
   El framework es gratuito, pero para llamar a grandes modelos puede ser necesario pagar una API (por ejemplo, OpenAI).
3. ¿Se dispone de datos chinos?
   Sí, se admiten tanto el chino como el inglés, siempre que estén en formato de texto.
4. ¿Qué ocurre si aparece un error de ejecución?
   Comprueba la versión de Python, la instalación de dependencias y la configuración de la API, o pide ayuda en GitHub Issues.