في عالم الذكاء الاصطناعي، تمثل عمليات الرد على الأسئلة (QA) أحد أبرز التحديات، لاسيما عندما تتطلب هذه الأسئلة استدلالات متعددة عبر مستندات مختلفة أو عمليات رمزية مثل التجميع أو القوائم الشاملة. في السنوات الأخيرة، برزت الطرق المعززة بالاسترجاع (Retrieval-augmented generation) كوسيلة رئيسية للتعامل مع هذه التحديات، مما شكل حلاً جزئيًا من خلال تنظيم المعرفة بشكل يُحسن من دعم الأسئلة التركيبية.

إلا أن معظم الطرق النصية المعتمدة على الرسوم البيانية لا تزال تفتقر إلى الهيكل الذي يُسهل العمليات الرمزية الضرورية للإجابة بشكل موثوق على هذه الأسئلة المعقدة. هذا الوضع يستدعي البحث عن أساليب جديدة تعتمد على الرسوم البيانية الرمزية، التي تُخرج رسومات معرفية (Knowledge Graphs) تكون علاقاتها عبارة عن دوال منطقية تتيح استعلامات مشابهة لـ SQL.

لكن، تعاني هذه العمليات عادةً من الاعتماد على نماذج لغوية ضخمة (Large Language Models) لاستخراج الرسوم البيانية، مما قد يؤدي إلى مشكلات في الاتساق، حيث يمكن أن تنتهك الحقائق المستخرجة القيود المنطقية المعروفة. وبالتالي، نقدم إطارًا عصبيًا-رمزيًا لبناء الرسوم البيانية المعرفية يعتمد على تصحيح الانتهاكات المنطقية بعد مرحلة الاستخراج.

من خلال تأجيل التصحيحات إلى مرحلة ما بعد الاستخراج، تتجنب طريقتنا الاستدعاءات المتكررة للنماذج اللغوية الضخمة، مما يقلل بشكل كبير من استخدام الرموز بينما يحسن من اتساق الرسوم البيانية المعرفية ويحافظ على جودة الردود في المجالات اللاحقة.

أخيرًا، نوضح أن الرسوم البيانية المستخرجة مناسبة تمامًا للاستعلامات الرمزية من خلال قياس تكرار أنماط الرسوم البيانية SPARQL. ومن خلال هذه الأساليب، يمكن للأنظمة القائمة على الذكاء الاصطناعي أن تقدم إجابات دقيقة وأكثر اتساقًا، مما يفتح آفاقاً جديدة لبحث المعلومات والأسئلة المعقدة.