أصبحت الرسوم البيانية المعرفية (Knowledge Graphs) وسيلة قوية لتعزيز نماذج اللغات الضخمة (Large Language Models) من خلال تنظيم المعلومات بشكل هيكلي. ولكن، هناك عقبات رئيسية تواجه هذه العمليات، خصوصًا بالنسبة للغات ذات الموارد القليلة مثل الفيتنامية. في ورقة بحثية جديدة، اقترح الباحثون آلية فعالة لبناء الرسوم البيانية المعرفية واستراتيجيات تقييم الاسترجاع.

تتضمن هذه الآلية ثلاثة مراحل رئيسية لاستخراج العلاقات. المرحلة الأولى تتمثل في إزالة التكرارات داخل الدفعة باستخدام آلية Union-Find، تليها بحث تقريبي عبر دفعات متعددة، ثم استخراج المعلومات باستخدام نموذج لغوي متقدم (LLM) مع مرشح مركزي يضمن تقليل التحفيزات.

تستند هذه الآلية إلى بنية معمارية ثنائية الطبقات تجمع بين العقد الهيكلية غير القابلة للجمع والعقد القابلة للجمع، مما يساعد في المحافظة على النسق الهيكلي للوثيقة. بعد ذلك، يتم تقييم استراتيجيات الاسترجاع باستخدام ثلاثة أساليب مختلفة من التنقل في الرسم البياني: من الأعلى إلى الأسفل، أفقيًا، ومن الأسفل إلى الأعلى.

تم بناء الرسم البياني المعرفي الجديد باستخدام محتوى كتب التاريخ الفيتنامية في المدارس الثانوية والذي يحتوي على ما يقرب من 400 صفحة، وتمت معالجة ما يصل إلى 750 عقدة و4,341 حافة دلالية مع نمو مضبوط للأنطولوجيا لم تتجاوز 41 نوعًا. أظهرت الاستراتيجيات التجريبية أن استراتيجية Top-Down مع الهيكل تفوقت على القواعد الأساسية بنسبة 4.7 نقطة في NDCG@10، مما يدل على أن المعلومات الهيكلية توفر قيمة مضافة عند التعامل مع استفسارات معقدة. ومع ذلك، قد تنخفض الأداء عندما لا تتطلب الاستفسارات سياقًا هيكليًا.

هذه التطورات تمثل خطوة كبيرة نحو تعزيز القدرة على معالجة اللغات منخفضة الموارد وتقديم أنظمة ذكاء اصطناعي أكثر كفاءة وموثوقية.

فما رأيكم في هذه التطورات، وهل تعتقدون أن مثل هذه الأنظمة ستساهم في تحسين الوصول إلى المعرفة؟ شاركونا آرائكم في التعليقات!