GAG: генерация графика социальных отношений с помощью большой модели, имитирующей поведение человека

Общее введение

GraphAgent - это фреймворк с открытым исходным кодом, размещенный на GitHub и разработанный компанией Ji-Cather. Он использует Большую языковую модель (LLM) для моделирования поведения человека и создания динамических социальных графов с текстовыми атрибутами. Этот инструмент подходит для таких сценариев, как социальные сети, электронная коммерция и создание эссе, помогая пользователям глубоко анализировать взаимодействие в Интернете. Он не только генерирует структуры графов, соответствующие реальным характеристикам, но и проверяет точность моделирования, сравнивая его с реальными графами. Код GraphAgent является бесплатным и открытым, его можно скачать, изменить и использовать для исследований в области социологии, сетевых наук и т. д.

Список функций

• Моделирование человеческого поведения: Создание графа социальных отношений путем моделирования реальных человеческих взаимодействий с помощью большой модели.
• Динамическая генерация социального графаСоздание динамических диаграмм с текстовыми атрибутами на основе входных данных или подсказок пользователя.
• Проверка структуры графаСравните сгенерированные графики с реальными, чтобы оценить точность макро- и микрохарактеристик.
• Масштабное расширение графов: Поддержка генерации очень больших графов, содержащих 100 000 узлов или 10 миллионов ребер.
• Регулировка с открытым исходным кодом: Предоставляется полный код, и пользователи могут настроить функциональность в соответствии со своими потребностями.

Использование помощи

GraphAgent - это инструмент с открытым исходным кодом, основанный на GitHub, и для его установки и использования требуется определенная техническая база. Ниже приведено подробное руководство по установке и эксплуатации, чтобы вы могли быстро приступить к работе.

Процесс установки

1. Подготовка среды
   • Установите Python 3.9 (рекомендуемая версия). В терминале введите python --version Проверьте версию.
   • Установите Git. Пользователи Windows могут скачать его с официального сайта, пользователи Mac могут установить его с помощью brew install git.
   • Чтобы создать виртуальную среду: в терминале введите conda create --name LLMGraph python=3.9а затем активируйте conda activate LLMGraph.
2. Скачать GraphAgent
   • Введите его в терминал:git clone https://github.com/Ji-Cather/GraphAgent.git.
   • Перейдите в каталог проектов:cd GraphAgent.
3. Установка зависимостей
   • Установите библиотеку AgentScope:
     • импорт git clone https://github.com/modelscope/agentscope/.
     • Доступ к каталогу cd agentscopeа затем запустите git reset --hard 1c993f9 Заблокированная версия.
     • Установка:pip install -e .[distribute].
   • Установите зависимости проекта: запустите в директории GraphAgent pip install -r requirements.txt.
4. Настройка ключей API
   • показать (билет) LLMGraph/llms/default_model_configs.json Документация.
   • Добавьте ключ API вашей модели, например, OpenAI gpt-3.5-turbo-0125 возможно VLLM (используется в форме номинального выражения) llama3-70B.
   • Пример конфигурации:

     {
     "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}
     }
     

   • После сохранения файла убедитесь, что ключ действителен.
5. Текущие проекты
   • В терминале введите export PYTHONPATH=./ Установка переменных окружения.
   • Выберите шаблон наконечника модели, например export MODEL=gpt(с шаблоном GPT).

Подготовка данных

• Загрузите пример данных:
  • импорт git clone https://oauth2:RxG7vLWFP_NbDhmB9kXG@www.modelscope.cn/datasets/cather111/GAG_data.git.
  • Данные включают в себя образцы твитов, рейтинги фильмов и цитаты из сочинений.

Основные функции

1. Моделирование поведения человека и создание социальных графов

• Создание графиков на основе данных::
  • Сеть твитов:python main.py --task tweets --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json".
  • Сеть рейтингов фильмов:python main.py --task movielens --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json".
  • Сеть цитирования диссертаций:python main.py --task citeseer --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info_none.json".
• Создание диаграмм на основе пользовательских данных::
  • Пример: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.
• результат вывода: Сгенерированные файлы находятся по указанному пути и могут быть просмотрены с помощью инструмента визуализации, например Gephi.

2. Параллельные ускоренные операции

• Запуск параллельных служб: Запуск в терминале python start_launchers.py --launcher_save_path "LLMGraph/llms/launcher_info.json".
• работать: В другом терминале запустите python main.py --task tweets --config "small" --build --launcher_save_path "LLMGraph/llms/launcher_info.json".
• доминирование: 90.41 Ускорение TP3T при генерации крупномасштабных графов.

3. Проверка структуры рисунка

• Запустите сценарий оценки::
  • Социальные сети:python evaluate/social/main.py.
  • Сеть кинотеатров:python evaluate/movie/main.py.
  • Цитирование в Интернете:python evaluate/article/main.py.
• Анализ результатов: Генерируйте отчеты, показывающие макроскопические особенности (например, силовые распределения) и микроструктуры (подъем 11%) графика.

навык работы

• режим отладки: Запуск с одним портом (например. --launcher_save_path "LLMGraph/llms/launcher_info_none.json"), чтобы облегчить поиск неисправностей.
• Персонализация: Модификация main.py или файлы конфигурации для настройки параметров модели или правил генерации графиков.
• Просмотр Справка: Беги python main.py --help Получить подробную информацию о команде.

предостережение

• Убедитесь, что ключ API действителен, иначе программа не сможет вызвать большую модель.
• Для создания крупномасштабных графов требуется высокопроизводительный компьютер с оперативной памятью не менее 16 ГБ.
• Проект постоянно обновляется, регулярно проверяйте GitHub на наличие последней версии.

сценарий применения

1. Аналитика социальных сетей
   Моделирование взаимодействия с пользователями и создание сетей интересов для содействия распространению влияния исследований.
2. Исследование рекомендаций по электронной коммерции
   Оптимизация проектирования рекомендательных систем с помощью графов взаимодействия пользователя и элемента.
3. Сеть академического цитирования
   Создавайте карты цитирования статей и анализируйте тенденции исследований и научные связи.
4. Социологический эксперимент
   Использование смоделированных данных для изучения моделей поведения людей и законов эволюции сетей.

QA

1. Насколько большой граф может создать GraphAgent?
   Поддерживаются крупномасштабные графы с 100 000 узлов или 10 миллионами ребер, которые быстро и параллельно ускоряются.
2. Нужно ли мне платить?
   Фреймворк бесплатен, но вызов больших моделей может потребовать оплаты API (например, OpenAI).
3. Доступны ли китайские данные?
   Да, поддерживаются как китайский, так и английский языки, если они имеют текстовый формат.
4. Что делать, если возникла ошибка времени выполнения?
   Проверьте версию Python, установку зависимостей и конфигурацию API или обратитесь за помощью на GitHub Issues.