cocktail DyG prompting

Readme

Preparação de dados

Verifique se os parâmetros N, P e T são consistentes nos graph_data/graph_generator.py , text_data/text_generator.py e text_data/text_filter.py . Atualize os caminhos nesses arquivos para seus próprios caminhos de armazenamento.

Etapa 1: gerador de gráficos

Execute python graph_data/graph_generator.py para gerar gráficos.

Etapa 2: gerador de texto

Execute python text_data/text_generator.py para gerar tarefas com base nos gráficos da etapa 1.

Etapa 3: filtro de texto

Execute python text_data/text_filter.py para filtrar dados usando o texto da etapa 2 e obter um número igual de tarefas com e sem respostas.

Solicitando

Etapa 1: Implemente sua própria classe LLM

Implemente sua própria classe LLM semelhante à da api_LLM.py e api.py Verifique se a implementação permite o uso llm() para conversar e clear_history() para limpar o histórico de conversas.

Etapa 2: inferir

Execute o comando abaixo para usar o modelo de promoção diferente. O parâmetro COT corresponde a diferentes prompts.

python infer.py --model_name Llama3.1 --COT NO --api_key your_api_key

Etapa 3: Avalie

Execute o comando abaixo para obter a taxa de precisão.

python acc.py --model_name Llama3.1 --COT NO