您好,登錄后才能下訂單哦!
這篇文章主要介紹了怎么使用Python+ChatGPT批量生成論文的相關(guān)知識(shí),內(nèi)容詳細(xì)易懂,操作簡(jiǎn)單快捷,具有一定借鑒價(jià)值,相信大家閱讀完這篇怎么使用Python+ChatGPT批量生成論文文章都會(huì)有所收獲,下面我們一起來看看吧。
做算法研究離不開閱讀大量論文。從海量論文中找到需要的論文往往耗費(fèi)算法團(tuán)隊(duì)不少的精力。
ChatGPT官方例子中有一個(gè)“TL;DR”摘要生成,非常適合生成論文摘要。
于是我用python+GPT-3 API開發(fā)了一個(gè)工具,可以直接從arxiv地址生成論文概述。實(shí)現(xiàn)步驟如下:
第一步,我們要先拿到論文正文。
從arxiv上下載論文非常簡(jiǎn)單,如果你知道論文編號(hào)(比如2302.08996),那么論文的pdf下載地址為:https://arxiv.org/pdf/[論文編號(hào)].pdf
。我們只需要發(fā)起網(wǎng)絡(luò)請(qǐng)求即可將論文下載到本地。
我這里使用requests
庫發(fā)起網(wǎng)絡(luò)請(qǐng)求,你可以使用任何你喜歡庫完成論文下載。
def download_paper(paper_id: str, file_name: Optional[str] = None) -> Optional[str]: """ 根據(jù)論文id將論文下載到本地 Parameters ----------- paper_id: str 論文id file_name: Optional[str] 本地文件名,如果為空則用論文id做文件名 Returns ------- result: Optional[str] 論文下載結(jié)果。成功則返回本地文件路徑,失敗則返回None """ paper_url = f"https://arxiv.org/pdf/{paper_id}.pdf" if not file_name: file_name = f"{paper_id}.pdf" res = requests.get(url=paper_url) if res.status_code == 200: with open(file_name, "wb") as f: f.write(res.content) return file_name return None
ChatGPT只接受文本輸入,所以拿到論文后,我們需要將pdf格式的論文轉(zhuǎn)換為純文本。這里給大家推薦一個(gè)好用的pdf轉(zhuǎn)文本庫——pdfplumber
。
pdfplumber
使用非常簡(jiǎn)單,只要打開文件,即可通過pdfplumber.pages
獲取到每一頁pdf內(nèi)容。然后調(diào)用pdfplumber.Page
類的extract_text()
方法就能提取頁面的文本。示例代碼如下:
def pdf2txt(file_name: str | pdfplumber.PDF, page_start: int, page_end: int) -> str: """ Parameters ----------- file_name: str | pdfplumber.PDF pdf文件路徑或pdfplumber.PDF實(shí)例 page_start: int 要轉(zhuǎn)換的起始頁頁碼 page_end: int 要轉(zhuǎn)換的結(jié)束頁頁碼 Returns ------- content: str 轉(zhuǎn)換后的文本 """ content = "" if isinstance(file_name, str): pages = pdfplumber.open(file_name).pages elif isinstance(file_name, pdfplumber.PDF): pages = file_name.pages else: raise AttributeError("需要傳入pdf路徑或PDF對(duì)象") for page in pages[page_start:page_end]: content += page.extract_text() return content
上面的代碼會(huì)逐頁提取給定pdf文檔指定頁碼范圍內(nèi)的內(nèi)容并返回。
有了文本,我們就可以用ChatGPT來生成概述了。
首先我們導(dǎo)入openai
庫,并配置好參數(shù):
import openai openai.api_key = "YOUR_API_KEY" TLDRParameter = { "model": "text-davinci-003", "max_tokens": 2048, "temperature": 0.3, "top_p": 1.0, "frequency_penalty": 0.0, "presence_penalty": 0.0, "stop": ["\n\n"] } tldr_tag = "\n\n tl;dr:" # 給ChatGPT明確的文本補(bǔ)全意圖
這里的tldr_tag
需要稍微解釋一下,這段字符串會(huì)添加在我們論文文本的末尾,用于提示ChatGPT我們要做的是上面文本的摘要。為了讓ChatGPT能夠?qū)⒄撐膬?nèi)容和我們給出的提示區(qū)分開來,在參數(shù)中我們?cè)O(shè)置了stop
,用于告訴ChatGPT輸入到哪里結(jié)束。
ChatGPT對(duì)輸入長度是有限制的,因此我們不能一次性將整個(gè)論文內(nèi)容輸入進(jìn)去,需要一頁一頁得輸入并生成每一頁的概述。
pages = pdfplumber.open(file_name).pages for p in pages: content = p.extract_text() + tldr_tag response = openai.Completion.create(prompt=content, **TLDRParameter) print(f"Page1 {index + 1}:\n") print(response["choices"][0]["text"]) print("\n\n")
將上面的代碼集成到一起,我們就可以得到一個(gè)完整可用的論文概述工具
import requests import pdfplumber import openai from typing import Optional openai.api_key = "YOUR_API_KEY" TLDRParameter = { "model": "text-davinci-003", "max_tokens": 2048, "temperature": 0.3, "top_p": 1.0, "frequency_penalty": 0.0, "presence_penalty": 0.0, "stop": ["\n"] } tldr_tag = "\ntl;dr:" def download_paper(paper_id: str, file_name: Optional[str] = None) -> Optional[str]: """ 根據(jù)論文id將論文下載到本地 Parameters ----------- paper_id: str 論文id file_name: Optional[str] 本地文件名,如果為空則用論文id做文件名 Returns ------- result: Optional[str] 論文下載結(jié)果。成功則返回本地文件路徑,失敗則返回None """ paper_url = f"https://arxiv.org/pdf/{paper_id}.pdf" if not file_name: file_name = f"{paper_id}.pdf" res = requests.get(url=paper_url) if res.status_code == 200: with open(file_name, "wb") as f: f.write(res.content) return file_name return None if __name__ == '__main__': file_name = download_paper('2302.08996') pages = pdfplumber.open(file_name).pages for index, page in enumerate(pages): content = page.extract_text() + tldr_tag response = openai.Completion.create(prompt=content, **TLDRParameter) print(f"Page {index + 1}:\n") print(response["choices"][0]["text"]) print("\n\n")
我用最新發(fā)出的2302.08996做測(cè)試,輸出如下:
Page 1:
We employ meta reinforcement learning to model short-duration trading in ?nancial markets as a sequential decision-making problem. We incorporate symbolic features based on frequently occurring patterns in price series to improve the performance of our meta-RL algorithm. Preliminary results on real data indicate that meta-RL and logical features are more effective than vanilla RL or primary price features alone.
Page 2:
Meta-learning techniques, such as Inductive Logic Programming (ILP) and RL2, can be used to train a trading agent on a new task with limited data.
Page 3:
We propose a meta-RL agent that can rapidly adapt to new reward patterns. We use PPO to train the agent and an LSTM agent. We also use hand-crafted features and learned logical features to augment the agent's neural network model. Results show that the agent outperforms vanilla reinforcement learning.
Page 4:
上面每一頁的輸出都很好地概括了該頁的核心內(nèi)容,其中第四頁為空是因?yàn)檫@一頁絕大部分內(nèi)容是參考文獻(xiàn),ChatGPT也很聰明的沒有返回概述。
關(guān)于“怎么使用Python+ChatGPT批量生成論文”這篇文章的內(nèi)容就介紹到這里,感謝各位的閱讀!相信大家對(duì)“怎么使用Python+ChatGPT批量生成論文”知識(shí)都有一定的了解,大家如果還想學(xué)習(xí)更多知識(shí),歡迎關(guān)注億速云行業(yè)資訊頻道。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。