【AI助力科研】不看一篇文献,手把手教你用chatGPT写文献综述!

科研GGB 2024-06-16 11:31:02 阅读 92

步骤一 形成原始语料:在网页上进行论文检索,并批量导出摘要

如这里我使用知网检索,实际上很多网址和国内外的出版社网址都支持一键导出文章信息

搜索后勾选,点击导出与分析

在这里插入图片描述

点击导出后选择自定义,默认是不导出摘要的,需要勾选!

在这里插入图片描述

勾选摘要后导出或者直接预览在这里Copy一手!

在这里插入图片描述

步骤二 输入原始语料给ChatGPT进行压缩

这里必须进行压缩,不然太长了,很难控制,最后的综述会缺少,还会乱,不管GPT3.5还是4

输入提示词Prompt:

缩写总结十篇文章的工作,并给出引用文献。[这里粘贴你复制的内容]

输出:

这些摘要涵盖了多个领域的研究,从药物发现到图像处理再到自然语言处理。这里是对每篇文章的缩写总结:

基于注意力感知和模态融合的药物-靶点相互作用预测方法

提出了一种新的药物-靶点相互作用预测方法,利用了注意力感知和模态融合的技术,通过Transformer模块融合药物和靶点特征,提高了预测准确度。

基于RGB和深度双模态的温室番茄图像语义分割模型

介绍了一种利用深度学习技术进行温室番茄图像语义分割的模型,利用RGB和深度图像信息相结合的方法提高了分割精度。

基于边缘引导和动态可变形Transformer的遥感图像变化检测

提出了一种新的遥感图像变化检测方法,利用边缘引导和动态可变形Transformer技术,提高了变化检测的准确性和鲁棒性。

基于句法特征和Bert-BiLSTM-MHA-CRF的细粒度古籍实体识别研究

结合古籍文本的句式特征和深度学习模型,提出了一种用于古籍文本实体识别的方法,提高了识别准确度。

基于Transformer组合模型的锂电池SOH和URL预测

提出了一种新的深度学习模型,利用Transformer和其他深度学习模型组合,提高了锂电池健康状态和剩余使用寿命的预测精度。

面向带宽受限场景的高效语义通信方法

提出了一种基于信息瓶颈理论的语义通信方法,通过Transformer模型和特征选择模块,提高了语义通信的效率。

基于全局与序列混合变分Transformer的多样化图像描述生成方法

提出了一种新的多样化图像描述生成框架,利用混合变分Transformer模型,提高了生成图像描述的多样性和准确性。 引用文献如下:

彭杨, 朱小飞, 胡冬冬. 基于注意力感知和模态融合的药物-靶点相互作用预测方法. 太原理工大学学报. 张羽丰, 杨景, 邓寒冰, 周云成,

苗腾. 基于RGB和深度双模态的温室番茄图像语义分割模型. 农业工程学报. 雷涛, 翟钰杰, 许叶彤, 王营博, 公茂果.

基于边缘引导和动态可变形Transformer的遥感图像变化检测. 电子学报. 武帅, 杨秀璋, 何琳, 公佐权.

基于句法特征和Bert-BiLSTM-MHA-CRF的细粒度古籍实体识别研究. 数据分析与知识发现. 常伟, 胡志超, 潘多昭.

基于Transformer组合模型的锂电池SOH和URL预测. 电池工业. 刘伟, 王孟洋, 白宝明. 面向带宽受限场景的高效语义通信方法.

西安电子科技大学学报. 刘兵, 李穗, 刘明明, 刘浩. 基于全局与序列混合变分Transformer的多样化图像描述生成方法. 电子学报.

步骤三 梳理分析形成综述大纲(核心)

紧接着输入让他简单分析,这些文章可以如何分类盘点,

这是核心步骤,类似人的阅读和分析梳理,能让输出的结果看起来更像人写的

输入Prompt:

分析这些文献都属于Transformer在哪几个大类的应用,分为三至四类即可

输出

这些文献的应用可以分为三类:

图像处理与计算机视觉:

第二篇文献描述了基于混合Transformer的温室番茄图像语义分割模型,利用深度学习技术对图像进行分割和理解。

第三篇文献介绍了基于边缘引导和动态可变形Transformer的遥感图像变化检测方法,用于检测遥感图像中的变化。 自然语言处理与信息提取:

第四篇文献讨论了基于句法特征和Bert-BiLSTM-MHA-CRF的细粒度古籍实体识别研究,应用于古籍文本的命名实体识别任务。

第六篇文献描述了面向带宽受限场景的高效语义通信方法,利用Transformer模型进行语义通信的优化。 医药与生物信息学:

第一篇文献提出了基于注意力感知和模态融合的药物-靶点相互作用预测方法,利用Transformer模块预测药物和靶点之间的相互作用。

每类应用都展示了Transformer模型在不同领域的应用潜力,从图像处理到自然语言处理再到医药领域。

步骤四 按照步骤三的结果进一步扩展形成综述并润色细节

习惯夸夸G老师,这样输出准确率更高哦哈哈

输入Prompt:

很好,将上面的内容转换为一篇文献综述,分为这三类进行展开介绍,要求按照文献综述的格式,可以分段输出,并在原文中加上引用数字[1]等

输出:

文献综述

标题:Transformer模型在多领域的应用综述

摘要: Transformer模型是一种基于自注意力机制的深度学习模型,近年来在自然语言处理、图像处理、医药与生物信息学等领域得到了广泛应用。本文对Transformer模型在这三个领域的应用进行了综述,并分析了其在各领域的优势和挑战。

关键词: Transformer模型,自然语言处理,图像处理,医药与生物信息学

一、Transformer模型在图像处理与计算机视觉领域的应用

Transformer模型在图像处理与计算机视觉领域的应用日益增多。例如,张羽丰等人提出了基于混合Transformer的温室番茄图像语义分割模型[2],该模型利用深度学习技术对图像进行分割和理解。此外,雷涛等人提出了基于边缘引导和动态可变形Transformer的遥感图像变化检测方法[3],用于检测遥感图像中的变化。这些研究表明Transformer模型在图像处理领域具有广阔的应用前景。

二、Transformer模型在自然语言处理与信息提取领域的应用

在自然语言处理与信息提取领域,Transformer模型也展现出了强大的能力。武帅等人提出了基于句法特征和Bert-BiLSTM-MHA-CRF的细粒度古籍实体识别研究[4],该方法应用于古籍文本的命名实体识别任务。此外,刘伟等人描述了面向带宽受限场景的高效语义通信方法[5],利用Transformer模型进行语义通信的优化。这些研究表明Transformer模型在自然语言处理领域具有广泛的应用前景,并为信息提取任务提供了新的解决方案。

三、Transformer模型在医药与生物信息学领域的应用

在医药与生物信息学领域,Transformer模型也展现出了其独特的价值。彭杨等人提出了基于注意力感知和模态融合的药物-靶点相互作用预测方法[1],该方法利用Transformer模块预测药物和靶点之间的相互作用,为药物发现提供了新的思路和方法。这些研究表明Transformer模型在医药与生物信息学领域有着广泛的应用前景,为药物发现和生物信息学研究提供了新的工具和方法。

结论与展望: Transformer模型作为一种强大的深度学习模型,在多个领域都展现出了广泛的应用前景。然而,随着应用场景的不断扩展,仍然存在着一些挑战和问题,例如模型的计算复杂度、数据稀疏性等。未来,我们可以进一步探索Transformer模型的优化方法,提高其在各个领域的性能,并开发出更多基于Transformer的创新应用。

参考文献:

彭杨, 朱小飞, 胡冬冬. 基于注意力感知和模态融合的药物-靶点相互作用预测方法. 太原理工大学学报.张羽丰, 杨景, 邓寒冰, 周云成, 苗腾. 基于RGB和深度双模态的温室番茄图像语义分割模型. 农业工程学报.雷涛, 翟钰杰, 许叶彤, 王营博, 公茂果. 基于边缘引导和动态可变形Transformer的遥感图像变化检测. 电子学报.武帅, 杨秀璋, 何琳, 公佐权. 基于句法特征和Bert-BiLSTM-MHA-CRF的细粒度古籍实体识别研究. 数据分析与知识发现.刘伟, 王孟洋, 白宝明. 面向带宽受限场景的高效语义通信方法. 西安电子科技大学学报.刘兵, 李穗, 刘明明, 刘浩. 基于全局与序列混合变分Transformer的多样化图像描述生成方法. 电子学报.

大篇幅撰写指南:

这里为了快速演示,只用了几篇文献,如果有几十篇参考文献,需要:

1.分段输入让G老师进行步骤二,压缩后的文章摘要每篇一两句话;

2.再输入进去,进行步骤三,分类和梳理,这一步可以做得很细,引导它分成几类,甚至先列出表格,类似下表,方便分类分析,形成独特的梳理撰写

题目 Transformer模型 自然语言处理 图像处理 医药与生物信息学
基于注意力感知和模态融合的药物-靶点相互作用预测方法[1] ✔️ ✔️
基于RGB和深度双模态的温室番茄图像语义分割模型[2] ✔️
基于边缘引导和动态可变形Transformer的遥感图像变化检测[3] ✔️ ✔️
基于句法特征和Bert-BiLSTM-MHA-CRF的细粒度古籍实体识别研究[4] ✔️ ✔️
面向带宽受限场景的高效语义通信方法[5] ✔️ ✔️
基于全局与序列混合变分Transformer的多样化图像描述生成方法[6] ✔️

3.还是分段让它输出综述,每个大类都要单独选取里面的个别文献,进行大篇幅梳理即可!

下课!欢迎课后交流



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。