AI个人学习
和实操指南
豆包Marscode1

GAG:利用大模型模拟人类行为生成社交关系图谱

综合介绍

GraphAgent 是一个开源框架,托管在 GitHub 上,由 Ji-Cather 开发。它利用大语言模型(LLM)模拟人类行为,生成动态的、带文本属性的社交图。这个工具适用于在线社交媒体、电商和论文创作等场景,帮助用户深入分析网络中的互动关系。它不仅能生成符合真实世界特征的图结构,还能通过对比真实图验证模拟的准确性。GraphAgent 的代码免费开放,用户可以下载、修改并用于社会学、网络科学等研究。

GAG:利用大模型模拟人类行为生成社交关系图谱-1


 

功能列表

  • 人类行为模拟:通过大模型模拟真实的人类互动,生成社交关系图。
  • 动态社交图生成:根据输入数据或用户提示,创建带文本属性的动态图。
  • 图结构验证:对比生成的图与真实图,评估宏观和微观特征的准确性。
  • 大规模图扩展:支持生成包含10万节点或1000万边的超大图。
  • 开源调整:提供完整代码,用户可根据需求定制功能。

 

使用帮助

GraphAgent 是基于 GitHub 的开源工具,需要一定的技术基础来安装和使用。以下是详细的安装与操作指南,确保你能快速上手。

安装流程

  1. 准备环境
    • 安装 Python 3.9(推荐版本)。在终端输入 python --version 检查版本。
    • 安装 Git。Windows 用户从官网下载,Mac 用户用 brew install git
    • 创建虚拟环境:在终端输入 conda create --name LLMGraph python=3.9,然后激活 conda activate LLMGraph
  2. 下载 GraphAgent
    • 在终端输入:git clone https://github.com/Ji-Cather/GraphAgent.git
    • 进入项目目录:cd GraphAgent
  3. 安装依赖
    • 安装 AgentScope 库:
      • 输入 git clone https://github.com/modelscope/agentscope/
      • 进入目录 cd agentscope,然后运行 git reset --hard 1c993f9 锁定版本。
      • 安装:pip install -e .[distribute]
    • 安装项目依赖:在 GraphAgent 目录下运行 pip install -r requirements.txt
  4. 配置 API 密钥
    • 打开 LLMGraph/llms/default_model_configs.json 文件。
    • 添加你的模型 API 密钥,例如 OpenAI 的 gpt-3.5-turbo-0125 或 VLLM 的 llama3-70B
    • 示例配置:
      {
      "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}
      }
      
    • 保存文件后,确保密钥有效。
  5. 运行项目
    • 在终端输入 export PYTHONPATH=./ 设置环境变量。
    • 选择模型提示模板,例如 export MODEL=gpt(用 GPT 模板)。

数据准备

  • 下载示例数据:
    • 输入 git clone https://oauth2:RxG7vLWFP_NbDhmB9kXG@www.modelscope.cn/datasets/cather111/GAG_data.git
    • 数据包括推文、电影评分和论文引用等样本。

主要功能操作

1. 人类行为模拟与社交图生成

  • 从数据生成图
    • 推文网络:python main.py --task tweets --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json"
    • 电影评分网络:python main.py --task movielens --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json"
    • 论文引用网络:python main.py --task citeseer --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json"
  • 从用户输入生成图
    • 示例: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
  • 输出结果:生成的文件在指定路径下,可用可视化工具(如 Gephi)查看。

2. 并行加速运行

  • 启动并行服务:在一个终端运行 python start_launchers.py --launcher_save_path "LLMGraph/llms/launcher_info.json"
  • 执行任务:在另一个终端运行 python main.py --task tweets --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info.json"
  • 优势:速度提升90.4%,适合大规模图生成。

3. 图结构验证

  • 运行评估脚本
    • 社交网络:python evaluate/social/main.py
    • 电影网络:python evaluate/movie/main.py
    • 引用网络:python evaluate/article/main.py
  • 结果分析:生成报告显示图的宏观特征(如幂律分布)和微观结构(提升11%)。

操作技巧

  • 调试模式:用单端口运行(如 --launcher_save_path "LLMGraph/llms/launcher_info_none.json"),方便排查问题。
  • 自定义功能:修改 main.py 或配置文件,调整模型参数或图生成规则。
  • 查看帮助:运行 python main.py --help 获取命令详情。

注意事项

  • 确保 API 密钥有效,否则程序无法调用大模型。
  • 大规模图生成需要高性能电脑,建议至少 16GB 内存。
  • 项目持续更新,定期检查 GitHub 获取最新版本。

 

应用场景

  1. 社交媒体分析
    模拟用户互动,生成关注网络,帮助研究影响力传播。
  2. 电商推荐研究
    通过用户与商品的互动图,优化推荐系统设计。
  3. 学术引用网络
    生成论文引用图,分析研究趋势和学者关系。
  4. 社会学实验
    用模拟数据研究人类行为模式,探索网络演化规律。

 

QA

  1. GraphAgent 能生成多大的图?
    支持10万节点或1000万边的大规模图,速度快且可并行加速。
  2. 需要付费吗?
    框架免费,但调用大模型可能需要 API 费用(如 OpenAI)。
  3. 中文数据可以用吗?
    可以,只要是文本格式,中文和英文都支持。
  4. 运行出错怎么办?
    检查 Python 版本、依赖安装和 API 配置,或在 GitHub Issues 求助。
未经允许不得转载:首席AI分享圈 » GAG:利用大模型模拟人类行为生成社交关系图谱

首席AI分享圈

首席AI分享圈专注于人工智能学习,提供全面的AI学习内容、AI工具和实操指导。我们的目标是通过高质量的内容和实践经验分享,帮助用户掌握AI技术,一起挖掘AI的无限潜能。无论您是AI初学者还是资深专家,这里都是您获取知识、提升技能、实现创新的理想之地。

联系我们
zh_CN简体中文