GRAIL: تعلّم التفاعل مع الرسوم المعرفية الكبيرة لتعزيز الاستدلال المستند إلى الاسترجاع

أظهرت النماذج اللغوية الكبيرة (LLMs) المُدمجة مع تقنيات التوليد المعزز بالاسترجاع (RAG) أداءً متميزًا في مجموعة واسعة من المجالات. ومع ذلك، تعمل الطرق الحالية المعتمدة على RAG بشكل رئيسي على البيانات غير المهيكلة، وتُظهر قدرة محدودة في التعامل مع المعرفة المهيكلة مثل الرسوم البيانية للمعرفة. وفي الوقت نفسه، تعاني الطرق الحالية للاسترجاع الرسومي من صعوبات جوهرية في التقاط الهياكل الشاملة للرسوم البيانية، مع مواجهة تحديات في التحكم بالدقة، والتي تتجلى في إما فجوات حرجة في المعلومات أو ارتباطات زائدة ومتكررة، مما يؤدي مجتمعةً إلى تدهور أداء الاستنتاج. ولحل هذه التحديات، نقترح إطار GRAIL: التعلم التفاعلي المعزز بالاسترجاع الرسومي، المصمم للتفاعل مع الرسوم البيانية الضخمة بهدف دعم الاستنتاج المعزز بالاسترجاع. بشكل محدد، يدمج GRAIL استكشافًا عشوائيًا يُرشد بواسطة النموذج اللغوي الكبير مع عملية تصفية المسارات لبناء نموذج لتصنيع البيانات، حيث يتم توليد مسار استنتاج دقيق لكل مهمة تلقائيًا. بناءً على البيانات المُصنعة، نستخدم بعد ذلك عملية تدريب مزدوجة لتعلم سياسة تُقرّر ديناميكيًا الإجراء الأمثل في كل خطوة من خطوات الاستنتاج. ويتم فصل الهدف العام المتمثل في تحقيق التوازن بين الدقة والانسيابية في استرجاع الرسوم البيانية إلى مكافآت مُراقبة على مستوى مفصل، بهدف تعزيز كفاءة البيانات واستقرار التدريب. وفي التطبيق العملي، يعتمد GRAIL نموذجًا تفاعليًا للاسترجاع، مما يمكّن النموذج من استكشاف مسارات الرسم البياني بشكل مستقل، مع التوازن الديناميكي بين نطاق الاسترجاع ودقة النتائج. أظهرت التجارب الواسعة أن GRAIL حقق تحسنًا متوسطًا في الدقة بنسبة 21.01%، وتحسينًا في معامل F1 بنسبة 22.43% على ثلاث مجموعات بيانات لأسئلة الإجابة باستخدام الرسوم البيانية للمعرفة. يمكن الوصول إلى الكود المصدري وبياناتنا عبر الرابط التالي: [هذا الرابط]