في ظل التطور السريع لتكنولوجيا الذكاء الاصطناعي، تظل خرائط المعرفة الشخصية (Personal Knowledge Graphs - PKGs) واضحةً كأداة قوية لتمثيل تفضيلات المستخدمين مع الحفاظ على الخصوصية. ومع ذلك، برزت تحديات في بناء هذه الخرائط من بيانات حوارية غير منظمة وغير مركزية.

تعمل الأبحاث الجديدة على سد الفجوة بين "النصوص" (strings) و"الأشياء" (things) من خلال تقديم نظام قابل للتكرار يركز على استخراج توافيق مبنية على تفضيلات المستخدمين باستخدام نماذج اللغة الضخمة الخفيفة. وفي هذا السياق، تم تقييم نماذج مثل Qwen وGemma لمدى قدرتها على استخراج توافيق متوافقة مع RDF مرتبطة بمعرفات Wikidata من البيانات الحوارية.

تتضمن التقييمات قياس دقة استخراج البيانات وفائدة الرسوم البيانية الناتجة في مهام التوصية، مما يدل على أن بعض النماذج أظهرت أداءً ممتازًا يتناسب بشكل ملحوظ مع أدائها في استخراج التوائم. تشير النتائج إلى أهمية هذا النهج في تحسين أنظمة التوصية basing decisions on structured user information.

في الختام، يقدم هذا البحث آفاق جديدة لاستخدام نماذج اللغة الضخمة في تشكيل اتجاهات جديدة في الذكاء الاصطناعي وخصوصية البيانات. هل أنتم مستعدون لاستكشاف هذه الابتكارات الجديدة؟