gpt-3.5-turbo

import os
import openai
from dotenv import load_dotenv

openai.api_key = os.getenv("OPENAI_API_KEY")

# 讀取 CSV 檔案並將文章存儲為列表
def read_articles_from_csv(file_path):
    articles = []
    with open(file_path, newline="", encoding="utf-8") as csvfile:
        reader = csv.reader(csvfile)
        for row in reader:
            # 假設 CSV 檔案中每一行是一篇文章，如果不是，請適當調整程式碼以讀取正確的欄位
            article = row[0]  # 假設文章在第一個欄位，如果不是，請根據實際情況修改索引
            articles.append(article)
    return articles

# CSV 檔案路徑
csv_file_path = r"C:\Users\USER\Desktop\選舉\fine tuning\p.txt"    

# 讀取 CSV 檔案中的文章
articles = read_articles_from_csv(csv_file_path)


# 讀取 CSV 檔案中的文章
articles = read_articles_from_csv(csv_file_path)

# 將文章合併成一個字串，每篇文章以換行符號連接
articles_combined = "\n".join(articles)

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[
        {"role": "system", "content": "您將獲得這些文章，您的任務是對這些文章進行如下總結:討論的總體摘要，讓候選人知道社會大眾對於該議題的想法"},
        {"role": "user", "content": articles_combined},
    ]
)

summary = response['choices'][0]['message']['content'].strip()

print("總結摘要：\n" + summary + "\n")
with open("summary.txt", "w", encoding="utf-8") as f:
    f.write(summary)

GPT-3

import os
import openai
from dotenv import load_dotenv

openai.api_key = os.getenv("OPENAI_API_KEY")

# 指定使用的 GPT-3 模型
model_name = "text-davinci-002"

# 讀取 CSV 檔案並將文章存儲為列表
def read_articles_from_csv(file_path):
    articles = []
    with open(file_path, newline="", encoding="utf-8") as csvfile:
        reader = csv.reader(csvfile)
        for row in reader:
            # 假設 CSV 檔案中每一行是一篇文章，如果不是，請適當調整程式碼以讀取正確的欄位
            article = row[0]  # 假設文章在第一個欄位，如果不是，請根據實際情況修改索引
            articles.append(article)
    return articles

# CSV 檔案路徑
csv_file_path = r"C:\Users\USER\Desktop\選舉\fine tuning\p.txt"    

# 讀取 CSV 檔案中的文章
articles = read_articles_from_csv(csv_file_path)



# 將文章合併成一個字串，每篇文章以換行符號連接
articles_combined = "\n".join(articles)

response = openai.Completion.create(
    engine=model_name,
    prompt="您將獲得這些文章，您的任務是對這些文章進行如下總結:討論的總體摘要，讓候選人知道社會大眾對於該議題的想法\n" + articles_combined,
    temperature=1,
    max_tokens=256,
    top_p=1,
    frequency_penalty=0,
    presence_penalty=0
)



summary = response['choices'][0]['message']['content'].strip()

print("總結摘要：\n" + summary + "\n")
with open("summary.txt", "w", encoding="utf-8") as f:
    f.write(summary)

temperature：這是控制生成文本多樣性的參數。較高的溫度（temperature）值（通常在0.7到1.0之間）會產生更加隨機和多樣的輸出，而較低的溫度（通常在0.2到0.5之間）會產生更加保守和穩定的輸出。溫度設置為1時，輸出會在一個合理的範圍內保持隨機性。

max_tokens：這是生成文本的最大長度。您可以設置這個值來控制生成的文本長度，防止生成過長的輸出。請注意，較短的文本可能不足以涵蓋所有要點，而較長的文本可能會超過 API 的限制。

top_p：這是使用 nucleus sampling (top-p sampling) 時的概率閾值。當設置這個值時，模型會計算每個 token 的累積概率，直到概率超過閾值。這可以用來控制生成文本的多樣性，當top_p 較小時，生成文本會更加保守和穩定。

frequency_penalty：這是用於降低頻率的參數。當 frequency_penalty設置為正數時，模型會傾向選擇那些較少出現的 token，從而產生更加新穎的文本。

presence_penalty：這是用於增加多樣性的參數。當 presence_penalty設置為正數時，模型會傾向選擇那些更常見的 token，從而產生更加常見的文本。