Aprendizagem pessoal com IA
e orientação prática
Espelho de desenho CyberKnife

GAG: Geração de um gráfico de relacionamento social usando um modelo grande para simular o comportamento humano

Introdução geral

O GraphAgent é uma estrutura de código aberto hospedada no GitHub e desenvolvida pela Ji-Cather. Ele usa o Large Language Model (LLM) para simular o comportamento humano e gerar gráficos sociais dinâmicos com atributos textuais. Essa ferramenta é adequada para cenários como mídia social on-line, comércio eletrônico e criação de ensaios, ajudando os usuários a analisar profundamente as interações na Web. Ela não apenas gera estruturas de gráficos que correspondem às características do mundo real, mas também verifica a precisão da simulação comparando-a com gráficos reais. O código do GraphAgent é gratuito e aberto e pode ser baixado, modificado e usado para pesquisas em sociologia, ciência de redes e muito mais.

GAG: Geração de um gráfico de relacionamento social usando um modelo grande para simular o comportamento humano-1


 

Lista de funções

  • Simulação do comportamento humanoGerar um gráfico de relacionamento social simulando interações humanas reais por meio de um grande modelo.
  • Geração dinâmica de gráficos sociaisCrie diagramas dinâmicos com atributos de texto com base em dados de entrada ou solicitações do usuário.
  • Validação da estrutura do gráficoCompare os gráficos gerados com os gráficos reais para avaliar a precisão dos recursos macro e micro.
  • Expansão de gráficos em grande escalaSuporte para geração de gráficos muito grandes com 100.000 nós ou 10 milhões de bordas.
  • Ajuste de código abertoCódigo completo: O código completo é fornecido e os usuários podem personalizar a funcionalidade de acordo com suas necessidades.

 

Usando a Ajuda

O GraphAgent é uma ferramenta de código aberto baseada no GitHub e requer alguma base técnica para ser instalado e usado. Abaixo está um guia detalhado de instalação e operação para garantir que você possa começar a usar rapidamente.

Processo de instalação

  1. Preparação do ambiente
    • Instale o Python 3.9 (versão recomendada). No terminal, digite python --versão Verifique a versão.
    • Instale o Git. Os usuários do Windows podem fazer o download no site oficial, enquanto os usuários do Mac podem instalá-lo com o aplicativo brew install git.
    • Para criar um ambiente virtual: No terminal, digite conda create --name LLMGraph python=3.9e, em seguida, ativar conda activate LLMGraph.
  2. Baixar o GraphAgent
    • Digite-o no terminal:git clone https://github.com/Ji-Cather/GraphAgent.git.
    • Vá para o catálogo de projetos:cd GraphAgent.
  3. Instalação de dependências
    • Instale a biblioteca do AgentScope:
      • importação git clone https://github.com/modelscope/agentscope/.
      • Acesso ao catálogo cd agentscopee, em seguida, execute git reset --hard 1c993f9 Versão bloqueada.
      • Instalação:pip install -e . [distribute].
    • Instale as dependências do projeto: execute no diretório do GraphAgent pip install -r requirements.txt.
  4. Configuração de chaves de API
    • show (um ingresso) LLMGraph/llms/default_model_configs.json Documentação.
    • Adicione sua chave de API de modelo, como a da OpenAI gpt-3.5-turbo-0125 talvez VLLM (usado em uma expressão nominal) llama3-70B.
    • Exemplo de configuração:
      {
      
      "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}
      }
      
    • Depois de salvar o arquivo, verifique se a chave é válida.
  5. Projetos em andamento
    • No terminal, digite export PYTHONPATH=. / Configuração de variáveis de ambiente.
    • Selecione o modelo de ponta de modelo, por exemplo export MODEL=gpt(com modelo GPT).

Preparação de dados

  • Faça o download de dados de exemplo:
    • importação git clone https://oauth2:RxG7vLWFP_NbDhmB9kXG@www.modelscope.cn/datasets/cather111/GAG_data.git.
    • Os dados incluem amostras de tweets, classificações de filmes e citações de ensaios.

Funções principais

1. simulação do comportamento humano e geração de gráficos sociais

  • Geração de gráficos a partir de dados::
    • Rede de Tweets:python main.py --task tweets --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json".
    • Rede de classificação de filmes:python main.py --task movielens --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json".
    • Rede de citação de teses:python main.py --task citeseer --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json".
  • Geração de diagramas a partir da entrada do usuário::
    • Exemplo:python main.py --user_input "Quero simular interações autor-papel e gerar redes de citação altamente agrupadas" --build.
  • resultado de saídaOs arquivos gerados estão no caminho especificado e podem ser visualizados com uma ferramenta de visualização, como o Gephi.

2. operações aceleradas paralelas

  • Iniciando serviços paralelosExecutar em um terminal python start_launchers.py --launcher_save_path "LLMGraph/llms/launcher_info.json".
  • operarEm outro terminal, execute python main.py --task tweets --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info.json".
  • de pontaTP3T: 90,41 TP3T speedup para geração de gráficos em larga escala.

3. validação da estrutura da figura

  • Executar o script de avaliação::
    • Redes sociais:python evaluate/social/main.py.
    • Rede de filmes:python evaluate/movie/main.py.
    • Citando a Web:python evaluate/article/main.py.
  • Análise dos resultadosGeração de relatórios mostrando características macroscópicas (por exemplo, distribuições de lei de potência) e microestruturas (levantamento de 11%) do gráfico.

habilidade operacional

  • modo de depuraçãoExecução com uma única porta (por exemplo --launcher_save_path "LLMGraph/llms/launcher_info_none.json") para facilitar a solução de problemas.
  • PersonalizaçãoModificação main.py ou arquivos de configuração para ajustar os parâmetros do modelo ou as regras de geração de gráficos.
  • Exibir ajuda: Executar python main.py --help Obter detalhes do comando.

advertência

  • Certifique-se de que a chave da API seja válida, caso contrário, o programa não poderá chamar o big model.
  • A geração de gráficos em grande escala requer um computador de alto desempenho com pelo menos 16 GB de RAM.
  • O projeto é atualizado continuamente; verifique regularmente o GitHub para obter a versão mais recente.

 

cenário do aplicativo

  1. Análise de mídia social
    Modelagem das interações do usuário e geração de redes de atenção para ajudar na propagação do impacto da pesquisa.
  2. Estudo de recomendação de comércio eletrônico
    Otimização do design do sistema de recomendação por meio de gráficos de interação usuário-item.
  3. Rede de Citações Acadêmicas
    Gerar mapas de citação de artigos e analisar tendências de pesquisa e relações acadêmicas.
  4. Um experimento sociológico
    Uso de dados simulados para estudar padrões de comportamento humano e explorar as leis da evolução da rede.

 

QA

  1. Qual o tamanho do gráfico que o GraphAgent pode gerar?
    Oferece suporte a gráficos de grande escala com 100.000 nós ou 10 milhões de bordas, que são rápidos e podem ser acelerados em paralelo.
  2. Preciso pagar?
    A estrutura é gratuita, mas a chamada de modelos grandes pode exigir uma taxa de API (por exemplo, OpenAI).
  3. Os dados chineses estão disponíveis?
    Sim, tanto o chinês quanto o inglês são aceitos, desde que estejam em formato de texto.
  4. E se eu receber um erro de tempo de execução?
    Verifique a versão do Python, a instalação da dependência e a configuração da API ou peça ajuda em Problemas do GitHub.
Não pode ser reproduzido sem permissão:Chefe do Círculo de Compartilhamento de IA " GAG: Geração de um gráfico de relacionamento social usando um modelo grande para simular o comportamento humano
pt_BRPortuguês do Brasil