使用 Vertex AI PaLM API 创建文本摘要方法

1. 简介

文本摘要是创建较短版文本文档的过程，同时仍会保留重要信息。借助此流程，您可以快速浏览长文档、获取文章的要点或与用户分享摘要。虽然总结一个简短的段落是一项艰巨的任务，但如果您要总结一个大型文档，则有一些挑战需要克服。例如，包含多个页面的 PDF 文件。

在此 Codelab 中，您将学习如何使用生成模型总结大型文档。

构建内容

在本教程中，您将通过以下方法，学习如何使用生成模型从文本中总结信息：

  • 填充
  • MapReduce
  • 具有重叠块的 MapReduce
  • 使用滚动摘要的 MapReduce

2. 要求

  • 一个浏览器，例如 Chrome 或 Firefox
  • 启用了结算功能的 Google Cloud 项目

3. 费用

本教程使用 Vertex AI Generative AI Studio 作为 Google Cloud 的收费组件。

了解 Vertex AI 价格和生成式 AI 价格，并使用价格计算器根据您的预计使用情况来估算费用。

4. 使用入门

  1. 使用以下命令安装 Vertex AI SDK、其他软件包及其依赖项：
!pip install google-cloud-aiplatform PyPDF2 ratelimit backoff --upgrade --quiet --user
  • 对于 Colab，取消注释以下单元以重启内核。
# # Automatically restart kernel after installs so that your environment can access the new packages
 import IPython

 app = IPython.Application.instance()
 app.kernel.do_shutdown(True)
  • 对于 Vertex AI Workbench，您可以使用顶部的按钮重启终端。
  1. 通过以下任一方式对笔记本环境进行身份验证：
  • 对于 Colab，取消注释以下单元。
from google.colab import auth
auth.authenticate_user()
  1. 导入库以初始化 Vertex AI SDK。
  • 对于 Colab，通过取消注释以下单元来导入库。
import vertexai

 PROJECT_ID = "[your-project-id]"  # @param {type:"string"}
 vertexai.init(project=PROJECT_ID, location="us-central1")

import re
import urllib
import warnings
from pathlib import Path

import backoff
import pandas as pd
import PyPDF2
import ratelimit
from google.api_core import exceptions
from tqdm import tqdm
from vertexai.language_models import TextGenerationModel

warnings.filterwarnings("ignore")
  1. 导入需要加载名为 text-bison@001 的预训练文本生成模型的模型。
generation_model = TextGenerationModel.from_pretrained("text-bison@001")
  1. 准备要下载 PDF 文件的数据文件，以用于汇总任务。
# Define a folder to store the files
data_folder = "data"
Path(data_folder).mkdir(parents=True, exist_ok=True)

# Define a pdf link to download and place to store the download file
pdf_url = "https://services.google.com/fh/files/misc/practitioners_guide_to_mlops_whitepaper.pdf"
pdf_file = Path(data_folder, pdf_url.split("/")[-1])

# Download the file using `urllib` library
urllib.request.urlretrieve(pdf_url, pdf_file)

下面介绍了如何查看下载的 PDF 文件中的几页内容。

# Read the PDF file and create a list of pages
reader = PyPDF2.PdfReader(pdf_file)
pages = reader.pages

# Print three pages from the pdf
for i in range(3):
    text = pages[i].extract_text().strip()

print(f"Page {i}: {text} \n\n")

#text contains only the text from page 2

5. 填充方法

将数据传递给语言模型的最简单方法是“填充”作为上下文添加到提示中。这包括提示中的所有相关信息，以及按照您希望模型处理它的顺序。

  1. 仅提取 PDF 文件中第 2 页的文本。
# Entry string that contains the extacted text from page 2
print(f"There are {len(text)} characters in the second page of the pdf")
  1. 创建一个随后可在笔记本中使用的提示模板。
prompt_template = """
    Write a concise summary of the following text.
    Return your response in bullet points which covers the key points of the text.

    ```{text}```

    BULLET POINT SUMMARY:
"""
  1. 通过 API 使用 LLM 来汇总提取的文本。请注意，LLM 目前存在输入文本限制，可能不接受填充大量输入文本。如需详细了解配额和限制，请参阅配额和限制。

以下代码会导致异常。

# Define the prompt using the prompt template
prompt = prompt_template.format(text=text)

# Use the model to summarize the text using the prompt
summary = generation_model.predict(prompt=prompt, max_output_tokens=1024).text

print(summary)
  1. 模型返回错误消息：400 Request contain an invalid arguments，因为提取的文本过长，生成模型无法处理。

为避免此问题，您需要输入所提取文本的一部分，例如前 30,000 个字词。

# Define the prompt using the prompt template
prompt = prompt_template.format(text=text[:30000])

# Use the model to summarize the text using the prompt
summary = generation_model.predict(prompt=prompt, max_output_tokens=1024)

summary

您应该会在屏幕截图中看到以下结果：

710efedd9f6dbc6d.png

摘要

虽然对于模型来说全文过大，但您已经成功地使用该模型从 PDF 的一部分中创建了一个简短的项目符号列表，其中包含最重要的信息。

优势

  • 此方法仅对模型进行一次调用。
  • 总结文本时，模型可以一次性访问所有数据。这会改善结果。

缺点

  • 大多数模型都有上下文长度。对于大型文档（或许多文档），此方法不起作用，因为它会导致提示大于上下文长度。
  • 此方法仅适用于较小的数据，不适用于大型文档。

6. MapReduce 方法

为解决大型文档这一问题，我们将研究 MapReduce 方法。这种方法首先将大数据拆分为较小的数据片段，然后在每个数据块上运行提示。对于摘要任务，第一个提示的输出是对这一部分的摘要。生成所有初始输出后，将运行另一个提示来将它们合并。

如需了解此方法的实现详情，请参阅此 GitHub 链接。

7. 恭喜

恭喜！您已成功总结了一个长文档的摘要。您学习了对长文档进行总结的 2 种方法，以及它们的优缺点。汇总大型文档有几种方法。在另一个 Codelab 中，请注意另外 2 种方法：带有重叠分块的 MapReduce 和带有滚动摘要的 MapReduce。

总结长篇文档并非易事。您需要确定文档的要点，对信息进行整合，并以简洁连贯的方式进行呈现。如果文档比较复杂或技术性较强，则很难做到这一点。此外，总结篇幅较长的文档可能非常耗时，因为您需要仔细阅读和分析文本，以确保摘要准确而完整。

虽然这些方法可让您与 LLM 交互并灵活地总结长文档，但有时您可能想要使用引导方法或预构建方法来加快此过程。这正是 LangChain 等库的用武之地。详细了解 Vertex AI 上的 LangChain 支持。