DGoT

DGOT: Dynamisches Graphen von Gedanken für die wissenschaftliche Abstract -Erzeugung

Dies ist die Implementierung unseres LEC-Coling 2024-Papiers DGOT: Dynamisches Gedankengraf für wissenschaftliche abstrakte Erzeugung.

Schneller Start

Umgebungsaufbau

Wir empfehlen dringend, dass Sie Docker Images DGOT_DEMO verwenden, um unsere Programme auszuführen.

 # pull docker image
docker pull jaycening/dgot_demo:v1.0.0

# Clone this repository and mount it into the image container.
git clone https://github.com/JayceNing/DGoT.git
docker run --gpus all -it -d --privileged=true -v ./DGoT:/home/nxy/LLM/DGoT

# Enter the target folder.
docker exec -it dgot /bin/bash
cd /home/nxy/LLM/DGoT

Das Bild ist mit Internlm2 vorkonfiguriert, der unter LMDeploy -Version 0.2.4 eingesetzt wird.

Wenn Sie die Umgebung manuell konfigurieren möchten

Datenvorbereitung für den Datensatz von PubMedcite

Die Zitierdiagrammdatensätze von PubMedcite stammen aus dem Citationsum -Repository. Hier bieten wir Code zum Herunterladen von Datensätzen basierend auf der offiziellen PubMed -API.

python get_data.py --required_num 100

• required_num ist die Anzahl der Dateneinträge, die für die heruntergeladenen Schulungs- und Testen erforderlich sind.

Aktivieren Sie den API -Dienst von LLM

Als Beispiel Internlm2 nehmen.

 cd /home/nxy/internlm2_chat_deploy
lmdeploy serve api_server ./workspace --cache-max-entry-count 0.2

Schulungsprozess

 cd /home/nxy/LLM/DGoT
python generate_abstract.py --begin 0 --end 1 --mode " train " --model " internlm2 " --task " default "

• begin und end geben die Start- und Endindizes des verwendeten Datensatzes an.
• mode gibt an, ob der verwendete Datensatz Zugdatensatz oder Testdatensatz ist.
• model repräsentiert die LLM, die für die Inferenz verwendet wird.
• task repräsentiert die Art der Aufgabe, die ausgeführt wird.

Argumentationsprozess

python generate_abstract.py --begin 0 --end 100 --mode " test " --model " internlm2 " --task " default " --thresh_g 0.34 --thresh_a 0.35 --thresh_i 0.34

• thresh_g , thresh_a und thresh_i repräsentieren die Schwellenwerte, die zur Erzeugung von Transformationen, Aggregattransformation und Steigerung der Transformation in DGOT verwendet werden.

Tutorials

Hier bieten wir detaillierte Tutorials zu anderen Aspekten.

• Umwelt eingerichtet
• Anhang Experimentverfahren

Anerkennung

Diese Arbeit basiert auf dem folgenden Eingabeaufenthaltsrahmen, dem großsprachigen Modell und dem Modell für Modellbereitstellungen. Danke für den Open -Source -Beitrag!

• Graph der Gedanken (Got)
• Chatglm2-6b
• Internlm
• Lmdeploy

Die Rechenressourcen dieses Papiers werden von der Hochleistungs-Computing-Plattform von BuPT unterstützt.

Zitate

Wenn Sie dieses Repository wertvoll finden, geben Sie ihm bitte einen Stern!

Verwenden Sie dies in Ihrer Arbeit? Bitte verweisen Sie uns mit dem angegebenen Zitat:

 @misc { ning2024dgot ,
      title = { DGoT: Dynamic Graph of Thoughts for Scientific Abstract Generation } , 
      author = { Xinyu Ning and Yutong Zhao and Yitong Liu and Hongwen Yang } ,
      year = { 2024 } ,
      eprint = { 2403.17491 } ,
      archivePrefix = { arXiv } ,
      primaryClass = { cs.CL }
}

Mitwirkender

Jayce Ning

Startseite: https: //jaycening.github.io/zh-cn/

Github: https: //github.com/jaycening

Zhihu: https: //www.zhihu.com/people/xinyuning