في عالم الذكاء الاصطناعي وتوسيع نطاق نماذج اللغات الضخمة (LLMs)، ظهرت تقنية استرجاع البيانات المعزز (RAG) كوسيلة لتعزيز المعرفة الخارجية. ومع ذلك، تواجه الأساليب القائمة على الرسوم البيانية تحديًا أساسيًا يكمن في طبيعة تحدياتها. حيث تعمل الطرق التي تركز على الكيانات والكتل على تمثيلات مرتبطة بالنص الأصلي دون دمج حقيقي للمعرفة.

تقدم الورقة العلمية الجديدة، التي تحمل عنوان "HyGRAG"، إطارًا هيراركيًا متطورًا يتخطى قيود المستندات المصدرية من خلال معالجته لثلاثة تحديات أساسية: أولاً، بناء ملخصات تدمج بصدق المعلومات السياقية والعلاقات. ثانياً، الاستفادة من هذه التمثيلات المركبة للوصول إلى المعرفة الطارئة خلال استرجاع البيانات. ثالثاً، تحديث الهياكل الهرمية بكفاءة لتواكب المحتوى الديناميكي.

يتضمن هيكل HyGRAG الهجين تجميعات الهايبرد رسومية تضم كلًا من العقد المتعلقة بالكتل والعلاقات، مع استخدام تقنيات تكتل متكررة لإنتاج ملخصات تعتمد على نماذج اللغات الكبيرة. كما يتم تمكين استرجاع يستجيب للسياقات والعلاقات من خلال البحث عبر جميع مستويات التجريد، مما يعزز الفهم الشامل للمحتوى.

تُظهر نتائج الاختبارات أن HyGRAG يحسن متوسط دقة مهام الاستدلال متعدد الخطوات بنسبة 9.7%، مع الحفاظ على كفاءة معقولة. يتجه هذا الإطار إلى تغيير طريقة استرجاع المعلومات في المستقبل، إلى جانب تأثيره العميق على كيفية معالجة البيانات وتفسيرها. هل أنتم مستعدون للتخلي عن الطرق التقليدية واستكشاف إمكانيات HyGRAG؟