SPARKLE: تحسين إنشاء SPARQL من خلال دمج المعرفة المباشر في عملية التفكيش

تُعَدُّ طُرُق الاستجابة للأسئلة باستخدام قاعدة المعرفة (KBQA) التقليدية معتمدةً على مناهج متعددة المراحل، تشمل مهامًا مثل ربط الكيانات واسترجاع الرسوم الفرعية وتكوين هيكل الاستفسار. ومع ذلك، فإن النهج المتعددة المراحل تعتمد على دقة الخطوات السابقة، مما يؤدي إلى أخطاء متتابعة وزِيادة وقت الاستدلال. رغم أن بعض الدراسات قد استكشفت استخدام النماذج من البداية إلى النهاية (end-to-end)، إلا أنها غالبًا ما تعاني من دقة أقل وتوليد استفسارات غير قابلة للتنفيذ والتي لا يدعمها البيانات الأساسية. بالإضافة إلى ذلك، فإن معظم الأساليب السابقة محدودة بالبيانات التدريبية الثابتة، مما قد يؤدي إلى إغفال الطبيعة المتغيرة لقواعد المعرفة بمرور الوقت. لمواجهة هذه التحديات، نقدم إطارًا جديدًا من البداية إلى النهاية يربط اللغة الطبيعية بـ SPARQL، وهو الإطار المعروف باسم SPARKLE. يُلاحظ أن SPARKLE يستفيد مباشرةً من بنية قاعدة المعرفة أثناء فك التشفير، مما يدمج المعرفة بكفاءة في تكوين الاستفسار. كشفت دراستنا أن الإشارة البسيطة إلى قاعدة المعرفة أثناء الاستدلال تقلل بشكل كبير من حدوث استفسارات غير قابلة للتنفيذ. حقق SPARKLE نتائج جديدة رائدة على مجموعة بيانات SimpleQuestions-Wiki وأعلى درجة F1 على LCQuAD 1.0 (بين النماذج التي لا تستخدم الكيانات الذهبية)، بينما حصل على نتيجة أقل قليلًا في مجموعة بيانات WebQSP. أخيرًا، نثبت سرعة الاستدلال السريعة لـ SPARKLE وقدرته على التكيف عندما تختلف قاعدة المعرفة بين مراحل التدريب والاستدلال.