OpenAIのGPT-3.5系APIを使って論文を自動で要約する #OpenAI

こんにちは！逆瀬川 ( https://twitter.com/gyakuse ) です！
今日は論文をGPT-3.5系API用いて要約してみようと思います。
プロンプトエンジニアリングの参考にもなるかもしれません。

論文全体の自動翻訳はこちら:

※OpenAI GPT-3.5シリーズには code-davinci-002, text-davinci-002, text-davinci-003 が含まれます (https://platform.openai.com/docs/model-index-for-researchers)

概要

主にArXivに投稿されている英語論文を セクション単位 で要約するものです。
文章抽出には今回はGROBIDを用い、要約にはGPT-3.5を使います。

OpenAI APIについて

サインアップ
- https://platform.openai.com/
キーの取得
- https://platform.openai.com/account/api-keys
備考
- API使用料金は、1k tokenで 0.02 ドルかかり、論文1本あたりおおよそ40円程度かかります。
- https://openai.com/api/pricing/

なおOpenAIを使わずに安価にするためには、セクションごとに要約処理を別のモデルで行ったあと、翻訳するとよいです。ArXiv要約用事前学習モデルは以下などがあります。

なお、BARTxivを用いて要約処理する例を以下に書いた:
BARTxiv (論文要約) x fugumt (翻訳) x GROBID (PDF論文抽出)で論文要約を自動化する

Colab

openai_keyを入力後、ランタイム > すべてのセルを実行をクリック
ファイル選択をクリックして、翻訳したいpdfを選択
処理が終わると一番下に要約テキストが表示されます🎉

処理の流れ

GROBIDで論文から文章抽出 (XMLとして保存される)
xmlをパースしてセクションを取り出す
セクション単位で要約タスク用プロンプトを作り、OpenAIに渡す

実装

プロンプトの構築

def create_prompt(english_title, english_section_title, english_bodytext):
    return f"""英語の研究論文の一部を日本語で要約するタスクを行います。
これは「{english_title}」というタイトルの論文の「{english_section_title}」というセクションの文章です。
以下のルールに従ってください。

・リスト形式で出力する (先頭は - を使う)
・簡潔に表現する
・不明な単語や人名と思われるものは英語のまま表示する

それでは開始します。

英語の論文の一部:
{english_bodytext}

日本語で要約した文章:"""

GPT-3.5の場合はzero-shot性能が高いので、そのまま渡してあげます。
なお、リスト形式で出力させるときに、(先頭は - を使う)という文言が形式の安定化に寄与しました (これを抜くと、「・」や「-」や「1.」といった色んな種類のリスト形式になってしまいました)

OpenAIに投げる

温度やfrequency_penaltyはいい感じに調整しましょう。

def completion(text):
    openai.api_key = openai_key
    response = openai.Completion.create(
        engine="text-davinci-003",
        prompt=text,
        max_tokens=1200,
        temperature=0.7,
        frequency_penalty=1.0,
    )
    return response['choices'][0]['text']

後記

論文のサーベイ等の支援ツールは以下で紹介されています

https://twitter.com/naoya_0504/status/1623640221593251840

  1.　Paperpile、Zotero：無料で論文管理
  2.　Connected Papers：関連論文が視覚的に
  3.　Elicit、Perplexity：AIが論文検索
  4.　SCISPACE：論文の要約など
  5.　Shaper & DeepL：翻訳コンビ
  6.　Grammarly、DeepL Write：英文のブラッシュアップ

ArXivにおけるCS論文は月8,000本にも達し、今後さらにこうしたツールが必要になるかもしれません
なお、新しいBing付属のChatGPTはこうした要約処理を対話的に行えるようになっていきそうです
- https://twitter.com/_daichikonno/status/1624625728137629696
一方で、論文を静的にサーベイする場合、このような要約処理が事前に行われていると嬉しいので、CC-0, CC-BY, CC-BY-SA, CC-BY-SA-NC系ライセンスの論文を対象に(ArXivでは新規投稿論文の50%程度がそれらのライセンス下にあります)、何らかの形で無償サービスとして展開できればなぁと思います