📚🤖 S2QA：基于Semantic Scholar的研究论文问答系统

你是否曾想知道研究论文对你的疑问有何见解？Semantic Scholar问答系统结合GPT-4为你解答！🙌

这个Python脚本允许你输入问题，并利用Semantic Scholar和OpenAI的强大功能，基于顶级研究论文的内容生成答案。🤖🔍

🚀 最新更新！

支持Ollama。查看笔记本
S2QA现已支持llama-index！在llama hub查看数据加载器
更新后的UI带有聊天界面：
- 保持上下文
- 仅显示使用的参考文献
- 每个研究领域只需索引一次；向量和索引会被缓存
全文支持！

💻 演示链接：

https://shauryr.github.io/s2qa-demo/

👏 致谢

本项目与Semantic Scholar团队合作开发。感谢他们的支持和反馈。

📘 笔记本

ollama.ipynb ⭐ Ollama支持演示
chat_qa.ipynb ⭐ 将上下文发送给ChatGPT（使用revChatGPT）以生成答案。这能得到最佳答案且免费。似乎比本仓库中其他管道更不容易产生幻觉。
utils.py - 包含搜索和GPT-3提示所需的所有函数
s2qa_sources_langchain.ipynb - 使用langchain mapreduce获得更好的答案，但成本很高。容易产生幻觉。
s2qa_nb.ipynb - 第一个笔记本。非常基础的问答。容易产生幻觉。

🚨 警告 ⚠️

在使用生成式AI处理科学文本时应谨慎，因为此类模型生成的输出可能未经严格事实核查或同行评审，因此可能包含错误或不准确信息，可能误导研究人员和读者。请负责任地谨慎使用此工具。

🤖 示例

❓ 问题

Transformer对语言有什么影响？

🤖 ChatGPT回答：

Transformer在多个方面对语言产生了重大影响。其中最突出的领域是自然语言处理（NLP），Transformer基础语言模型的开发彻底revolutionized了这一领域。这些模型已被用于各种NLP任务，包括机器翻译[1]、代码摘要[2]、检测恩施和高傲的语言[3]以及口语理解任务[4]。此外，基于变换器的模型已被证明在双向变换器的领域适应方面非常有效，多模态变换器模型已被用于图像描述任务，而预训练目标则被用于软件工程领域以提高代码相关任务的性能。另外，变换器还被用于将文档时间戳信息整合到语言模型中，这对下游分类任务和掩码语言建模产生了积极影响。

总的来说，变换器对语言领域产生了重大影响，特别是在自然语言处理领域，基于变换器的模型已被成功应用于多种任务。它们还被探索应用于软件工程和图像描述等其他领域，展示了这项技术的多功能性。