استخدام النماذج اللغوية الكبيرة في الإجابة على الأسئلة المولدة بمرحلتين على الرسم البياني للمعرفة الزمنية

تُمثِّل إجابة الأسئلة على الرسوم البيانية المعرفية الزمنية (TKGQA) مهمةً تحديًا كبيرًا، بسبب القيود الزمنية المخفية في الأسئلة والأجوبة المطلوبة من المعرفة الهيكلية الديناميكية. رغم التقدم الكبير الذي أحرزته نماذج اللغة الكبيرة (LLMs) في قدرتها على الاستدلال على البيانات الهيكلية، فإن تطبيقها على مهمة TKGQA ما زال مجالًا قليل الاستكشاف نسبيًا. يقترح هذا البحث أولًا إطارًا جديدًا لإنشاء إجابة الأسئلة على الرسوم البيانية المعرفية الزمنية، يُسمَّى GenTKGQA، والذي يوجه نماذج اللغة الكبيرة إلى الإجابة على الأسئلة الزمنية عبر مرحلتين: استرجاع الرسم الجزئي وإنشاء الإجابة. أولاً، نستفيد من المعرفة الذاتية لنموذج اللغة الكبير لاستخراج القيود الزمنية والروابط الهيكلية في الأسئلة دون الحاجة إلى تدريب إضافي، مما يضيق نطاق البحث عن الرسم الجزئي في البعدين الزمني والهيكلِّي. ثانيًا، نصمم مؤشرات معرفة افتراضية لدمج إشارات الشبكة العصبية الرسومية للرسم الجزئي وتمثيلات النص لنموذج اللغة الكبير بطريقة غير سطحية، مما يساعد النموذج مفتوح المصدر على فهم الترتيب الزمني والاعتماد الهيكلي بين الحقائق المسترجعة بشكل أعمق من خلال ضبط التعليمات. تظهر النتائج التجريبية على مجموعتي بيانات شائعتين التفوق الواضح لنموذجنا.