في عالم الذكاء الاصطناعي، يمثل استرجاع المعلومات المعزز بخرائط المعرفة (Retrieval-Augmented Generation - RAG) ثورة حقيقية في كيفية التعامل مع المعلومات. ومع ظهور نماذج اللغة الرسومية (Graph Language Models - GLMs)، بات بالإمكان دمج القدرات اللغوية مع استراتيجيات الرسم البياني بشكل مثالي.

يقدم البحث الجديد نموذج GLM-RAG، الذي يعالج التحديات المرتبطة بالاسترجاع المعزز، باستخدام نماذج قائمة على الشبكات العصبية الرسومية (Graph Neural Networks - GNN) لتفسير الهيكلية الرسومية والمعلومات الدلالية. من خلال هذه الدراسة، تمكّنا من تقييم نقاط القوة النسبية بين نماذج GLM، والنماذج القائمة على GNN، والنماذج التقليدية القابلة للبحث، في إعدادات استرجاع متعدد المراحل.

تشير النتائج إلى أن نماذج GLM المعدلة تتفوق في القدرة على التعميم كأداء رائد على معايير متعددة المراحل، مما يبرز فعاليتها في مجالات جديدة غير مألوفة. بينما تسجل نماذج GNN تغطية أوسع للطوبولوجيا الرسومية مع إعداد تدريب فعال، تبرز النماذج التقليدية في الاسترجاع أحادي المرحلة.

مع زيادة عدد المعلمات وتغطية المجموعات الفرعية، تظل نماذج GLM مرشحة قوية في مهام الاسترجاع المعزز، لتفتح آفاق جديدة ومليئة بالاحتمالات في الذكاء الاصطناعي.