في الآونة الأخيرة، تم الكشف عن نموذج جديد يُدعى HG-RAG (استرجاع معزز بالهيكلية) يقدم نقلة نوعية في كيفية استرجاع المعرفة من الرسوم البيانية المنظمة. يعتبر النموذج امتدادًا لعمليات استرجاع المعرفة المعززة (RAG) التي تساهم في تحسين جودة الناتج من نماذج اللغات الكبيرة (Large Language Models) عبر توفير سياق عميق وواضح.

تكمن المشكلة التي تعاني منها نماذج RAG التقليدية في اعتمادها على مستودعات مستندات مسطحة، مما يجعلها أقل كفاءة عند مواجهة استفسارات تتطلب تفكيرًا هرميًا أو استدلالًا عبر معلومات مترابطة. يقدم HG-RAG مبدأ جديدًا يتمثل في استخدام رسم بياني هرمي للسماح للنموذج بالتنقل عبر طبقات متعددة من المعلومات.

يتضمن الابتكار الجديد عملية استعلام تقوم بتحديد كيان مسمى من الاستفسار، ومن ثم توسيع السياق بالتسلق إلى الأعلى عبر العقد الأم، وجانبياً عبر الجيران، وأسفلاً عبر العقد الفرعية عند الحاجة. تمت التجربة على ثلاثة مقاييس عالمية تشمل من 18 إلى 800 عقدة، مع اختبار أربعة أنواع من الاستفسارات: الحقائق المحلية، الهيكلية، الجوار، والموارد متعددة الخطوات.

أظهرت النتائج أن نموذج HG-RAG يتفوق باستمرار على خط الأساس المسطح في المهام المرتبطة بالهيكلية والاستدلال المتعدد الخطوات، مع تقليل نسبة الهلوسة والحفاظ على اتساق المعلومات. إن هذا التطور يعد بمثابة تحول حقيقي في كيفية التعامل مع المعلومات المعقدة والمرتبطة، مما يوفر فائدة أكبر لمستخدمين النماذج اللغوية في كافة المجالات.