في عالم الذكاء الاصطناعي، تلعب نماذج اللغات الضخمة (LLMs) دورًا محوريًا في فهم ومعالجة المعلومات، ولكن التعقيدات التي تواجهها هذه النماذج تتطلب حلولاً مبتكرة. هنا يظهر الابتكار الجديد: EHRAG، وهو إطار عمل خفيف يعتمد على الرسوم البيانية المعززة بالاسترجاع (GraphRAG) لتمكين النماذج من إجراء استنتاجات متعددة الخطوات بشكل أكثر كفاءة.

تعمل تقنيات استرجاع المعلومات التقليدية غالبًا على مبدأ الكشف عن الكيانات المسماة (Named Entity Recognition - NER) بطرق بسيطة تعتمد على التكرار الهيكلي، مما يؤدي إلى إغفال الروابط الدلالية العميقة بين الكيانات المنفصلة. ومع ذلك، يغير EHRAG هذه الديناميكية من خلال بناء هيبرغراف يقوم بتوصيل العناصر بطريقة تتجاوز البنية، مما يعزز الروابط الدلالية.

يعتمد EHRAG على آلية استرجاع هجينة تجمع بين المعلومات الهيكلية والدلالية، حيث يقوم بإنشاء هيبرedges هيكلية بناءً على تجميع الجمل وكشف الكيانات بخفة، بالإضافة إلى هيبرedges دلالية مستندة إلى تجميع embeddings النص الوصفية للكيانات. يعكس هذا الدمج التوازن المطلوب بين المعلومات الهيكلية والدلالية، مما يعزز أداء النماذج في معالجة المعلومات.

من حيث الاسترجاع، يقوم EHRAG بتطبيق نموذج هجين في التشغيل يُتيح تقييم المستندات المسترجعة بناءً على مواضيع محددة وترتيب شخصي، مما يضمن حصول المستخدمين على أفضل النتائج ذات الصلة. أظهرت التجارب على أربع مجموعات بيانات أن EHRAG يتفوق على النماذج المتطورة الحالية مع الحفاظ على تعقيد فهرسة خطي واستهلاك صفر من الوحدات لبنائه.

باختصار، يمثل EHRAG خطوة ثورية إلى الأمام في مجال استرجاع المعلومات البصرية والدلالية، موفرًا حلاً مبتكرًا يمكن الاعتماد عليه في تعزيز القدرة التنافسية لنماذج الذكاء الاصطناعي. إذا كنت مهتمًا بالمزيد، يمكنك الاطلاع على الكود المصدري عبر الرابط: https://github.com/yfsong00/EHRAG.