修改了一些文件名和文件信息，增加了requirements

2026-01-05 10:25:48 +08:00
parent c02b0aede5
commit d8eb25bd47
3 changed files with 1088 additions and 533 deletions
--- a/README.md
+++ b/README.md
@@ -1,579 +1,161 @@
-# 🚀 QA生成器 - 智能问答对生成工具
+# YG_TDGenerator - 数据元素问答生成工具

-一个基于JSON数据的模型微调用问答对生成工具，支持灵活配置和问题复杂度控制。项目已精简到仅**2个核心文件**！
+一款用于企业数据治理领域的问答训练数据生成工具。基于远光数据架构表（逻辑模型表、物理模型表、元素治理模板表）生成标准化的问答对，用于训练领域专用问答系统。

-## 📋 目录
+## 功能特点

- [功能特性](#-功能特性)
- [快速开始](#-快速开始)
- [核心文件](#-核心文件)
- [配置说明](#-配置说明)
- [使用示例](#-使用示例)
- [数据输出](#-数据输出)
- [问答类型](#-问答类型)
- [最佳实践](#-最佳实践)
- [常见问题](#-常见问题)
- [高级技巧](#-高级技巧)
- [项目精简](#-项目精简)
- [数据质量](#-数据质量)
+- **三表合并**：自动合并逻辑模型表、物理模型表、元素治理模板表
+- **多种问答类型**：支持字段属性查询、定义查询、模型关联查询
+- **双版本输出**：同时生成训练集和验证集（表达方式不同但语义相同）
+- **一体化流程**：CSV转换→JSON合并→随机抽取→QA生成，一条命令完成

---
+## 目录结构

-## ✨ 功能特性
+```
+YG_TDGenerator/
+├── csv2json.py          # 主程序：数据处理一体化工具
+├── qa_generator.py      # QA问答对生成器
+├── config.py            # 配置文件
+├── requirements.txt     # Python依赖
+├── Data/                # Excel源数据目录（可选）
+├── Data_Export_CSV/     # CSV导出数据目录
+├── Data_Export_Json/    # JSON中间数据目录
+└── Data_QA_Outputs/     # QA生成结果目录
+```

-### 🎯 核心功能
- **数据驱动**：基于JSON数据自动生成问答对，不进行任何编撰
- **多表支持**：支持元素治理模板、物理模型、逻辑模型等多种数据表
- **格式标准**：严格按照 `{"instruct":"", "input":"", "output":""}` 格式输出
- **随机打乱**：问答对顺序随机打乱，避免训练时的位置偏好
+## 安装

-### 🎨 问句多样性
- **表名标识**：所有问句均包含表名信息，如"在元素治理模板中"
- **丰富前缀**：10种问句前缀（请告诉我、查询、请问、在、请解释等）
- **多样模板**：每种数据类型支持10+种不同问法
- **中英互查**：支持中英文名互查，如"中文名→英文名"、"英文名→中文名"
+```bash
+pip install -r requirements.txt
+```

-### 💬 答句自然化
- **修饰语前缀**：10种回答前缀（根据表记录、查询结果显示、经查询等）
- **礼貌后缀**：10种后缀（望知悉、以上信息为准、请参考、祝您工作顺利等）
- **自然表达**：让回答更接近人类语言习惯
+### 依赖说明

-### ⚙️ 可配置性
- **复杂程度控制**：1-5级复杂度，从简单到复杂渐进
- **问题数量控制**：可设置每个数据项生成的问题数量
- **多列查询比例**：可控制多列查询问题的占比
- **模板选择**：可根据复杂程度自动选择问句模板
+- `pandas`: 数据处理
+- `xlwings`: Excel文件读取（可选，用于复杂Excel格式）
+- `openpyxl`: Excel文件读取（pandas依赖）

---
+## 使用方法

-## ⚡ 快速开始
+### 1. 准备数据
+
+将以下三个CSV文件放入 `Data_Export_CSV/` 目录：
+
+- `远光数据架构逻辑模型表.csv`
+- `远光数据架构物理模型表.csv`
+- `远光数据架构元素治理模板表.csv`
+
+### 2. 数据处理流程
+
+运行主程序执行完整的数据处理流程：
+
+```bash
+python csv2json.py
+```
+
+该命令会执行以下三个步骤：
+
+1. **CSV/Excel转JSON**：将源数据转换为JSON格式
+2. **JSON合并**：根据字段英文名合并三张表，生成 `final.json`
+3. **随机抽取**：从合并结果中随机抽取3000条记录，生成 `selected.json`
+
+### 3. 生成问答对

-### 方法1: 交互式运行（推荐）
 ```bash
 python qa_generator.py
 ```
-按提示选择配置即可。

-### 方法2: 直接使用预设配置
-```bash
-# 简单模式（快速测试）
-python -c "from qa_generator import QAGenerator, SIMPLE_CONFIG; QAGenerator(SIMPLE_CONFIG).process_all()"
+生成的文件位于 `Data_QA_Outputs/` 目录：

-# 普通模式（推荐）
-python -c "from qa_generator import QAGenerator, NORMAL_CONFIG; QAGenerator(NORMAL_CONFIG).process_all()"
+| 文件 | 说明 |
+|------|------|
+| `selected_QA.json` | 训练集问答对 |
+| `selected_QA_验证集.json` | 验证集问答对 |
+| `QA生成报告.json` | 训练集生成报告 |
+| `QA生成报告_验证集.json` | 验证集生成报告 |

-# 复杂模式（高质量）
-python -c "from qa_generator import QAGenerator, COMPLEX_CONFIG; QAGenerator(COMPLEX_CONFIG).process_all()"
+## 问答类型说明
+
+### 1. 字段属性查询
+
+根据字段中文名或英文名查询其他属性值：
+
+```
+Q: 请告诉我字段中文名为'客户编号'的字段英文名是什么？
+A: 该字段的字段英文名为customer_id。
 ```

-### 方法3: 生成并合并
-```bash
-python -c "from qa_generator import QAGenerator, NORMAL_CONFIG; g = QAGenerator(NORMAL_CONFIG); g.process_all(); g.merge_to_train()"
+### 2. 字段定义查询
+
+根据字段名查询完整定义（所有属性）：
+
+```
+Q: 字段中文名为'客户编号'的定义是什么？
+A: 客户编号的定义为：字段英文名：customer_id，数据类型：varchar，长度：32...
 ```

---
+### 3. 模型关联查询

-## 📁 核心文件
+根据逻辑模型或物理模型查询关联字段（仅对字段数≥3的模型生成）：

-| 文件 | 大小 | 说明 |
-|------|------|------|
-| **qa_generator.py** | 29KB | 主生成器 - 整合了所有功能 |
-| **config.py** | 9KB | 配置文件 - 控制生成参数 |
+```
+Q: 逻辑模型中文名为'客户信息模型'包含哪些字段？
+A: 逻辑模型中文名为'客户信息模型'包含以下字段：客户编号、客户名称、联系方式...
+```

---
+## 配置选项

-## ⚙️ 配置说明
-
-### 复杂程度等级（1-5级）
-
-| 等级 | 名称 | 单列模板 | 多列模板 | 多列占比 | 问句前缀 | 适用场景 |
-|------|------|----------|----------|----------|----------|----------|
-| 1 | 简单模式 | 3 | 0 | 0% | 3 | 快速测试 |
-| 2 | 简单+模式 | 6 | 1 | 10% | 3 | 轻量训练 |
-| 3 | 普通模式 | 9 | 3 | 30% | 10 | 常规训练 |
-| 4 | 复杂模式 | 12 | 4 | 30% | 10 | 深度训练 |
-| 5 | 最复杂模式 | 12 | 5 | 50% | 10 | 高质量训练 |
-
-### 预设配置对比
-
-| 配置 | 复杂程度 | 生成时间 | QA数量 | 适用场景 |
-|------|----------|----------|--------|----------|
-| 简单 | 1级 | ~2分钟 | ~20万 | 快速测试 |
-| 普通 | 3级 | ~5分钟 | ~60万 | 常规训练 |
-| 复杂 | 5级 | ~15分钟 | ~100万 | 高质量训练 |
-
-### 自定义配置示例
+编辑 `config.py` 文件可修改以下配置：

 ```python
-from qa_generator import QAGenerator, QAConfig
-
-# 创建配置
-config = QAConfig()
-config.COMPLEXITY_LEVEL = 3        # 设置复杂程度
-config.MULTI_COLUMN_RATIO = 0.4    # 设置多列占比
-config.OUTPUT_DIR = "MyQA_Output"  # 设置输出目录
-
-# 生成QA
-generator = QAGenerator(config)
-generator.process_all()
+class QAConfig:
+    INPUT_FILE = "selected.json"      # 输入文件名
+    INPUT_DIR = "Data_Export_Json"    # 输入目录
+    OUTPUT_DIR = "Data_QA_Outputs"    # 输出目录
+    RANDOM_SEED = 42                  # 随机种子
+    SHUFFLE_OUTPUT = False            # 是否打乱输出顺序
 ```

---
+## 输出格式

-## 💡 使用示例
-
-### 示例1: 使用简单配置
-
-```python
-from qa_generator import QAGenerator, SIMPLE_CONFIG
-
-# 创建生成器
-generator = QAGenerator(SIMPLE_CONFIG)
-
-# 生成问答对
-generator.process_all()
-```
-
-### 示例2: 自定义配置
-
-```python
-from qa_generator import QAGenerator, QAConfig
-
-# 创建自定义配置
-config = QAConfig()
-config.COMPLEXITY_LEVEL = 2
-config.MULTI_COLUMN_RATIO = 0.2
-config.BASIC_QUESTIONS_PER_ITEM = 2
-
-# 创建生成器
-generator = QAGenerator(config)
-generator.process_all()
-```
-
-### 示例3: 批量生成不同复杂度的数据
-
-```python
-from qa_generator import SIMPLE_CONFIG, NORMAL_CONFIG, COMPLEX_CONFIG, QAGenerator
-
-configs = [
-    (SIMPLE_CONFIG, "简单版"),
-    (NORMAL_CONFIG, "普通版"),
-    (COMPLEX_CONFIG, "复杂版")
-]
-
-for config, name in configs:
-    print(f"\n正在生成{name}问答对...")
-    config.OUTPUT_DIR = f"Data_QA_Outputs_{name}"
-    generator = QAGenerator(config)
-    generator.process_all()
-```
-
---
-
-## 📊 数据输出
-
-### 输出文件结构
-
-每个JSON文件包含多个问答对，格式如下：
+### 训练集/验证集格式

 ```json
 [
  {
-    "instruct": "在元素治理模板中，「投资原因」对应的英文名是什么？",
-    "input": "",
-    "output": "根据表记录，该字段的英文名为「investReas」，以上信息为准。"
-  },
-  {
-    "instruct": "请列举元素治理模板中「投资原因」的值类型和总长度",
-    "input": "",
-    "output": "根据表记录，该字段的值类型为「字符」，以及总长度为500.0，望知悉。"
+    "问题": "请告诉我字段中文名为'客户编号'的字段英文名是什么？",
+    "回答": "该字段的字段英文名为customer_id。"
  }
 ]
 ```

-### 生成的文件
+### 训练集 vs 验证集区别

-```
-Data_QA_Outputs/
-├── 元素治理模板_QA.json    (58MB, 25.8万条QA)
-├── 物理模型_QA.json        (396MB, 182万条QA)
-├── 逻辑模型_QA.json        (166MB, 73.5万条QA)
-├── train.json             (619MB, 282万条QA) ⭐ 训练用
-└── train_stats.json       (合并统计)
-```
+| 特性 | 训练集 | 验证集 |
+|------|--------|--------|
+| 问句风格 | "请告诉我"、"查询" | "请问"、"想咨询一下" |
+| 答句风格 | "该字段的"、"查询结果：" | "根据查询，"、"经核实，" |
+| 语义 | 相同 | 相同 |
+| 表达 | 基础正式 | 正式但有差异 |

-### 问答类型
+## 完整工作流程示例

-#### 单列查询
- 问"字段A"的值类型
- 问"字段A"的长度
- 问"字段A"的英文名
- 问"字段A"属于哪个类别
-
-#### 多列查询
- 请列举"字段A"的值类型和长度
- 请输出"字段A"的类别、业务领域和是否枚举信息
- 请查找"字段A"的英文名和说明信息
-
-### 生成统计
-
-| 配置模式 | 元素治理模板 | 物理模型 | 逻辑模型 | 总计 |
-|----------|--------------|----------|----------|------|
-| 简单模式 | ~50,000条 | ~100,000条 | ~50,000条 | ~200,000条 |
-| 普通模式 | ~150,000条 | ~300,000条 | ~150,000条 | ~600,000条 |
-| 复杂模式 | ~250,000条 | ~500,000条 | ~250,000条 | ~1,000,000条 |
-
-*注：实际数量根据原始数据量而定*
-
---
-
-## 📊 问答类型说明
-
-### 单列查询示例
-
-**问句模式：**
- "在元素治理模板中，「投资原因」对应的英文名是什么？"
- "查询物理模型中，数据元素「账套代码」的值类型是什么？"
- "「是否叶子节点」这个字段在逻辑模型中属于哪个业务领域？"
-
-**答句模式：**
- "根据表记录，该字段的英文名为「investReas」，以上信息为准。"
- "查询结果显示，值类型为「字符」，望知悉。"
-
-### 多列查询示例
-
-**问句模式：**
- "请列举元素治理模板中「投资原因」的值类型和总长度"
- "请输出「账套代码」在元素治理模板中的类别、业务领域和是否枚举信息"
-
-**答句模式：**
- "根据表记录，该字段的值类型为「字符」，以及总长度为500.0，望知悉。"
- "查询得知，该数据元素的类别为「业务」，与业务领域为「供应链-数据同步」，以及是否枚举为「否」，祝您工作顺利。"
-
---
-
-## 🎯 最佳实践
-
-### 场景1: 快速验证功能
 ```bash
-# 使用简单配置，仅生成基础问答
-python -c "from qa_generator import QAGenerator, SIMPLE_CONFIG; QAGenerator(SIMPLE_CONFIG).process_all()"
-```
- 耗时：约1-2分钟
- 输出：约20万条问答
- 用途：功能验证、代码测试
+# 步骤1：数据处理（CSV转JSON + 合并 + 抽取）
+python csv2json.py

-### 场景2: 常规模型训练
-```bash
-# 使用普通配置，平衡质量和效率
-python -c "from qa_generator import QAGenerator, NORMAL_CONFIG; QAGenerator(NORMAL_CONFIG).process_all()"
-```
- 耗时：约5-10分钟
- 输出：约60万条问答
- 用途：模型训练、数据集准备
-
-### 场景3: 高质量模型训练
-```bash
-# 使用复杂配置，生成最丰富的问答
-python -c "from qa_generator import QAGenerator, COMPLEX_CONFIG; QAGenerator(COMPLEX_CONFIG).process_all()"
-```
- 耗时：约15-30分钟
- 输出：约100万条问答
- 用途：高质量模型训练
-
-### 场景4: 生成多个复杂度版本
-```python
-# 同时生成三个版本
-from qa_generator import SIMPLE_CONFIG, NORMAL_CONFIG, COMPLEX_CONFIG, QAGenerator
-
-for config, name in [(SIMPLE_CONFIG, "Simple"), (NORMAL_CONFIG, "Normal"), (COMPLEX_CONFIG, "Complex")]:
-    config.OUTPUT_DIR = f"Data_QA_Outputs_{name}"
-    print(f"正在生成{name}版本...")
-    generator = QAGenerator(config)
-    generator.process_all()
-```
-
---
-
-## ❓ 常见问题
-
-### Q1: 如何调整生成的问题数量？
-A: 修改配置文件中的 `BASIC_QUESTIONS_PER_ITEM` 和 `MAX_QUESTIONS_PER_ITEM`：
-```python
-config.BASIC_QUESTIONS_PER_ITEM = 5  # 基础问题数
-config.MAX_QUESTIONS_PER_ITEM = 20   # 最大问题数
-```
-
-### Q2: 如何只处理特定的数据表？
-A: 修改 `config.py` 中的 `DATA_FILES` 配置：
-```python
-self.DATA_FILES = [
-    {
-        "name": "元素治理模板",
-        "file": "元素治理模板.json",
-        "output": "元素治理模板_QA.json",
-        "enabled": True   # True=处理，False=跳过
-    },
-    {
-        "name": "物理模型",
-        "file": "物理模型.json",
-        "output": "物理模型_QA.json",
-        "enabled": False  # 跳过物理模型
-    }
-]
-```
-
-### Q3: 如何控制输出文件大小？
-A: 使用不同复杂程度配置：
- 简单模式：文件较小（约20-50MB）
- 普通模式：文件中等（约100-200MB）
- 复杂模式：文件较大（约300-500MB）
-
-### Q4: 如何禁用打乱顺序？
-A: 设置 `SHUFFLE_OUTPUT = False`：
-```python
-config.SHUFFLE_OUTPUT = False  # 保持原始顺序
-```
-
-### Q5: 如何查看生成统计？
-A: 查看生成的 `QA生成报告.json` 文件，包含：
- 总问答对数量
- 各文件问答对数量
- 配置信息
- 生成特点
-
-### Q6: 如何自定义配置？
-```python
-from qa_generator import QAGenerator, QAConfig
-
-config = QAConfig()
-config.COMPLEXITY_LEVEL = 3
-config.MULTI_COLUMN_RATIO = 0.4
-config.OUTPUT_DIR = "MyQA_Output"
-
-generator = QAGenerator(config)
-generator.process_all()
-```
-
-### Q7: 数据来源？
- 基于 `Data_Export_Json/` 目录下的JSON文件
- 严格忠于原文，未编撰
-
-### Q8: 支持多少QA？
- 简单模式：~20万条
- 普通模式：~60万条
- 复杂模式：~100万条
-
---
-
-## 🔧 高级技巧
-
-### 1. 批量生成不同配置
-```python
-from qa_generator import SIMPLE_CONFIG, NORMAL_CONFIG, COMPLEX_CONFIG, QAGenerator
-
-configs = {
-    "Level1": SIMPLE_CONFIG,
-    "Level3": NORMAL_CONFIG,
-    "Level5": COMPLEX_CONFIG
-}
-
-for level, config in configs.items():
-    config.OUTPUT_DIR = f"QA_Output_{level}"
-    print(f"生成 {level} 级别数据...")
-    generator = QAGenerator(config)
-    generator.process_all()
-```
-
-### 2. 自定义问句模板
-修改 `qa_generator.py` 中的模板函数：
-```python
-def generate_single_qa(self, item: Dict, template_count: int, data_type: str):
-    # 在这里添加自定义模板
-    templates = []
-    # 添加你的自定义模板...
-    return qa_pairs
-```
-
-### 3. 过滤特定数据
-在生成前过滤数据：
-```python
-def generate_qa_for_data(self, data: List[Dict], data_type: str) -> List[Dict]:
-    # 过滤条件示例：只保留业务领域包含"供应链"的数据
-    filtered_data = [item for item in data if "供应链" in item.get("业务领域名称", "")]
-    # 生成QA...
-```
-
---
-
-## 📝 输出格式说明
-
-### JSON格式
-```json
-[
-  {
-    "instruct": "问题内容",
-    "input": "",
-    "output": "答案内容"
-  },
-  {
-    "instruct": "问题内容",
-    "input": "",
-    "output": "答案内容"
-  }
-]
-```
-
-### 字段说明
- `instruct`: 指令/问题内容（必填）
- `input`: 输入内容（通常为空）
- `output`: 输出/答案内容（必填）
-
---
-
-## 🎉 项目精简
-
-### 精简前后对比
-
-#### 精简前
- ❌ 5个生成器文件 (generate_qa.py, generate_qa_v2.py, generate_qa_advanced.py, merge_qa_to_train.py, demo.py)
- ❌ 类太多，方法分散
- ❌ 功能重复，代码冗余
- ❌ 使用复杂，需要记多个文件名
-
-#### 精简后
- ✅ **2个核心文件** (qa_generator.py, config.py)
- ✅ **1个主生成器类** (QAGenerator)
- ✅ **所有功能整合** (生成、合并、报告)
- ✅ **使用简单** (一个命令搞定)
-
-### 精简效果
-
-| 指标 | 精简前 | 精简后 | 改进 |
-|------|--------|--------|------|
-| 核心文件数 | 5个 | 2个 | ⬇️ 60% |
-| 生成器类数 | 2个 | 1个 | ⬇️ 50% |
-| 主要方法数 | 分散 | 集中 | ✅ 更好 |
-| 使用复杂度 | 高 | 低 | ✅ 更好 |
-| 代码行数 | 1000+ | ~800 | ⬇️ 20% |
-
-### 用户收益
-1. **更简单** - 只需要记一个文件名
-2. **更高效** - 一条命令完成所有操作
-3. **更灵活** - 支持交互式和命令行两种方式
-4. **更完整** - 所有功能都在一个文件中
-
---
-
-## 📈 数据质量
-
-### ✅ 质量保证
- **数据完整性**: 100% - 所有JSON字段完整提取
- **格式标准性**: 100% - 严格遵循 `{"instruct":"", "input":"", "output":""}` 格式
- **内容真实性**: 100% - 忠于原文，未编撰
- **随机性**: ✅ - 问答对顺序随机打乱
- **多样性**: 10+种问句模板，10+种答句修饰
- **可重现性**: 随机种子固定，结果可重现
-
-### ✅ 验证结果
-```python
-# 验证代码
-import json
-
-with open('Data_QA_Outputs/train.json', 'r', encoding='utf-8') as f:
-    train_data = json.load(f)
-
-print(f"总问答对数量: {len(train_data):,}")
-print(f"数据类型: {type(train_data)}")
-print(f"字段完整性: {all('instruct' in item and 'output' in item for item in train_data)}")
-```
-
-**验证结果**: ✅ 全部通过
- 总问答对数量: 2,820,519
- 数据类型: list
- 字段完整性: True
-
-### 生成统计
- **总问答对**: 2,820,519 条
- **元素治理**: 258,579 条 (9.2%)
- **物理模型**: 1,826,268 条 (64.8%)
- **逻辑模型**: 735,672 条 (26.1%)
- **文件大小**: 619 MB
-
---
-
-## ⚠️ 注意事项
-
-### 数据要求
-1. **输入JSON格式**：必须是包含字典列表的JSON文件
-2. **字段完整性**：确保JSON中包含必要的字段（如"表名"、"数据元素中文名"等）
-3. **编码格式**：使用UTF-8编码保存JSON文件
-
-### 性能优化
-1. **大文件处理**：对于大量数据的JSON文件，建议分批处理
-2. **内存使用**：生成的QA文件较大，注意磁盘空间
-3. **运行时间**：复杂模式下生成时间较长，请耐心等待
-
-### 自定义建议
-1. **复杂程度选择**：
-   - 测试阶段：使用简单模式（复杂程度=1-2）
-   - 训练阶段：使用普通模式（复杂程度=3）
-   - 精细调优：使用复杂模式（复杂程度=4-5）
-
-2. **多列查询比例**：
-   - 初次使用：0.1-0.2
-   - 常规使用：0.3
-   - 高质量训练：0.5
-
---
-
-## 📞 技术支持
-
-### 文档资源
- 本文档 - 完整项目文档
- sample_qa.json - 模板参考
-
-### 示例代码
-```python
-# 基础用法
-from qa_generator import QAGenerator, NORMAL_CONFIG
-QAGenerator(NORMAL_CONFIG).process_all()
-
-# 自定义配置
-from qa_generator import QAConfig, QAGenerator
-config = QAConfig()
-config.COMPLEXITY_LEVEL = 3
-QAGenerator(config).process_all()
-```
-
---
-
-## 🎊 项目总结
-
-### 成果亮点
-1. ✅ **功能完整** - 从基础版到高级版，满足不同需求
-2. ✅ **配置灵活** - 1-5级复杂程度控制，适应多种场景
-3. ✅ **数据优质** - 280万+条QA，100%忠于原文
-4. ✅ **文档完善** - 整合文档体系，易于理解和使用
-5. ✅ **即用即跑** - 无需安装，直接运行
-
-### 技术指标
- **代码行数**: 800+ 行
- **文档页数**: 整合版
- **支持功能**: 100% 完成
- **测试覆盖**: 100% 通过
-
-### 用户价值
- **节省时间**: 从手动编写到自动生成，效率提升1000倍
- **保证质量**: 统一格式，规范数据，减少错误
- **易于使用**: 简单命令即可生成，无需编程知识
- **高度可配**: 满足从测试到生产的各种需求
-
---
-
-**感谢使用QA生成器！** 🎉
-
-**立即开始使用：**
-```bash
+# 步骤2：生成问答对（训练集 + 验证集）
 python qa_generator.py
 ```
+
+## 注意事项
+
+1. 确保源数据文件编码为UTF-8或GBK
+2. 字段英文名会自动转换为小写
+3. 模型关联查询仅对字段数≥3的模型生成，避免产生过多低价值问答
+4. 训练集和验证集使用不同的表达模板，但语义完全相同
+5. 随机种子固定为42，保证结果可复现
+
+## 许可证
+
+MIT License