Leveraging Large Language Models for Semantic Query Processing in a Scholarly Knowledge Graph
تقترح هذه الورقة إطار عمل مبتكر يدمج النماذج اللغوية الكبيرة مع الرسم البياني للمعرفة الأكاديمية لعلوم الحاسوب في الجامعة الوطنية الأسترالية، وذلك باستخدام نموذج وثائق عميق ومعالجة استعلام معززة بالرسم البياني للمعرفة لتمكين الاسترجاع الدلالي الدقيق والمنمق للمصوغات البحثية من خلال الدمج التلقائي بين النماذج اللغوية الكبيرة ولغة SPARQL.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك باحث يحاول العثور على إبرة محددة في كومة قش، لكن كومة القش ليست مصنوعة من القش فحسب، بل هي مكونة من ملايين الكتب، والإبرة مخبأة داخل جملة واحدة في الصفحة 42 من كتاب لم تفتحه بعد.
هذه هي المشكلة التي يحاول مؤلفو هذه الورقة البحثية حلها. إنهم يبنون طريقة أكثر ذكاءً للكمبيوتر ليقرأ ويفهم الأوراق البحثية الأكاديمية، وتحديداً تلك التابعة لقسم علوم الحاسوب في الجامعة الوطنية الأسترالية (ANU).
إليك تفصيل لحلهم باستخدام تشبيهات بسيطة:
1. المشكلة: نهج "السكين غير الحادة"
تقليدياً، عندما تحاول أجهزة الكمبيوتر قراءة الأوراق البحثية، فإنها تستخدم "سكينًا غير حادة". فهي تقطع النص إلى قطع كبيرة وفوضوية (مثل قطع رغيف خبز إلى شرائح عشوائية). إذا سألت الكمبيوتر: "ما الأداة التي استخدموها لاستخراج البيانات؟"، فقد يلتقط الكمبيوتر فقرة كاملة تذكر الأداة ولكنها تتحدث أيضاً عن 10 أشياء أخرى. إنه أمر فوضوي، وغالباً ما يرتبك الكمبيوتر أو يختلق معلومات (وهي مشكلة تسمى "هلوسة الذكاء الاصطناعي").
2. الحل: مكتبة "القطع بالليزر"
يقترح المؤلفون نظاماً جديداً يعمل مثل أمين مكتبة ماهر يمتلك جهاز قطع بالليزر. بدلاً من القطع العشوائية، يقومون بتفكيك كل ورقة بحثية إلى حمضها النووي المنطقي: العنوان ← القسم ← الفقرة ← الجملة ← الحقيقة المحددة.
يطلقون على هذا اسم نموذج المستند العميق (DDM).
- التشبيه: تخيل أخذ وصفة طعام معقدة. بدلاً من إعطاء الكمبيوتر الكتاب بأكمله، يقوم نموذج (DDM) بفصل قائمة المكونات، والتعليمات خطوة بخطوة، وملاحظات الطاهي إلى صناديق منفصلة ومصنفة. الآن، عندما تسأل: "كم كمية الملح؟"، يعرف الكمبيوتر بالضبط أي صندوق يفتح.
3. العقل: "رسم البيان المعرفي" (Knowledge Graph - KG)
بمجرد تقسيم الأوراق البحثية إلى هذه القطع الصغيرة المنطقية، يقومون بتنظيمها في رسم بيان معرفي.
- التشبيه: فكر في مكتبة عادية حيث توضع الكتب على الرفوف. رسم البيان المعرفي يشبه شبكة ضخمة ومتوهجة تربط بين كل كتاب ومؤلف وفكرة. إذا سحبت خيطاً مكتوباً عليه "تعلم الآلة"، فإنه سيهتز ويظهر لك كل ورقة بحثية وجملة ومؤلف مرتبط بهذا الموضوع. إنه يفهم العلاقات، وليس مجرد الكلمات.
4. المساعد الذكي: النموذج اللغوي الكبير (LLM) + الرسم البياني المعرفي (KG)
يستخدم النظام نموذجاً لغوياً كبيراً (LLM) — وهو يشبه مساعد ذكاء اصطناعي ذكي جداً ولكنه ينسى أحياناً — ويدمجه مع الرسم البياني المعرفي.
- التشبيه: النموذج اللغوي الكبير هو محقق بارع يمتلك الكثير من المعرفة العامة، لكنه قد يخمن بشكل خاطئ عندما تكون الحقائق صعبة. الرسم البياني المعرفي هو ملف القضية الخاص بالمحقق، والذي يحتوي على الأدلة الدقيقة والموثقة.
- كيف يعملان معاً: عندما تطرح سؤالاً، لا يقوم النموذج اللغوي الكبير بالتخمين فقط. بل ينظر إلى ملف القضية (الرسم البياني)، ويجد الدليل الدقيق (الجملة أو الفقرة المحددة)، ثم يستخدم مهاراته اللغوية لكتابة إجابة واضحة ودقيقة بناءً على ذلك الدليل فقط. هذا يمنع الذكاء الاصطناعي من اختلاق المعلومات.
5. خدعة "تخفيف الاستعلام" (Query Relaxation)
أحياناً، تطرح سؤالاً محدداً للغاية، فلا يستطيع الكمبيوتر العثور على تطابق دقيق.
- التشبيه: تخيل أنك تبحث عن "سيارة تويوتا كامري حمراء من حقبة التسعينيات بسقف مفتوح". إذا لم يكن لدى قاعدة البيانات تلك السيارة بالضبط، فإن البحث العادي سيفشل. لكن هذا النظام يستخدم تخفيف الاستعلام. فهو يقول: "حسناً، لنتجاهل جزء 'السقف المفتوح'. هل لدينا سيارة تويوتا حمراء من حقبة التسعينيات؟". إذا لم يجد، فسيقول: "ماذا عن مجرد سيارة تويوتا حمراء؟". إنه يرخي معايير البحث بلطف حتى يجد أفضل تطابق ممكن، بدلاً من الاستسلام.
النتائج: لماذا هذا مهم؟
اختبر المؤلفون هذا النظام مقابل طريقة "السكين غير الحادة" القديمة.
- الطريقة القديمة: كان الكمبيوتر يلتقط قطعاً عشوائية من النص. وكانت الإجابات غالباً غامضة، أو ناقصة، أو خاطئة قليلاً.
- الطريقة الجديدة: لأن النظام عرف بالضبط أي جملة تحتوي على الإجابة، كانت النتائج أكثر دقة، وأكثر اكتمالاً، وأسهل في القراءة.
باخت-القول
تتعلق هذه الورقة البحثية بتعليم أجهزة الكمبيوتر التوقف عن "القراءة السريعة" للأوراق البحثية والبدء في "قراءتها" باستخدام مجهر. من خلال تفكيك الأوراق البحثية إلى قطع صغيرة ومنطقية وربطها في شبكة ذكية، فإنهم يسمحون للذكاء الاصطناعي بالإجابة على الأسئلة المعقدة بدقة الخبير البشري، دون خطر اختلاق المعلومات.
إنه الفرق بين سؤال صديق لـ "يجد شيئاً عن القطط" في مكتبة، وبين سؤال أمين مكتبة فائق الذكاء لـ "يجد الفقرة المحددة في الصفحة 42 من المجلة البيطرية لعام 1998 التي تشرح سبب مواء القطط".
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.