LlamaRec-LKG-RAG: A Single-Pass, Learnable Knowledge Graph-RAG Framework for LLM-Based Ranking

في المشهد الواسع للتكنولوجيا الحديثة، ظهر جيل جديد من الذكاء الاصطناعي، قادر على فهم وتوليد اللغة البشرية بطلاقة مذهلة. هذه الأنظمة، المعروفة باسم النماذج اللغوية الكبيرة، قد غيرت طريقة بحثنا عن المعلومات، وكتابة القصص، والإجابة على الأسئلة. ولجعل هذه النماذج أكثر دقة وفائدة، غالبًا ما يربطها المطورون بقواعد بيانات خارجية، وهي طريقة تسمى "التوليد المعزز بالاسترجاع". وهذا يسمح للذكاء الاصطناعي بالبحث عن الحقائق قبل الإجابة، بدلاً من الاعتماد فقط على ما حفظه أثناء التدريب. ومع ذلك، لا يزال هناك تحدٍ كبير في مجال أنظمة التوصية، حيث تقترح الخوارزميات الأفلام أو المنتجات أو الموسيقى. فغالبًا ما تعامل الطرق التقليدية المعلومات كحقائق معزولة، مما يفقدها الروابط العميقة بين خيارات المستخدم السابقة والأشياء التي قد يستمتع بها لاحقًا. والسؤال الذي يحرك الأبحاث الأخيرة هو كيفية منح هذه الأنظمة الذكية فهمًا أفضل لشبكة العلاقات المعقدة التي تحدد تفضيلاتنا، مما يسمح لها بتقديم اقتراحات تبدو شخصية حقًا ومنطقية تمامًا.

لقد عالج فريق من الباحثين هذا التحدي من خلال بناء إطار عمل جديد يجمع بين قوة النماذج اللغوية الكبيرة ورسوم المعرفة البيانية المهيكلة. فكر في رسم المعرفة البياني كخريطة حيث كل قطعة من المعلومات هي نقطة، والروابط بينها هي خطوط تحكي قصة. وفي نظام التوصية، قد تربط هذه الخريطة مستخدمًا بفيلم شاهده، والفيلم بمخرجه، والمخرج بأفلام أخرى من إخراجه. وقد طور الباحثان، وحيد عزيزي وفاطمة كوشاكي، نظامًا يسمى LlamaRec-LKG-RAG، والذي يستخدم هذه الخريطة لتوجيه عملية اتخاذ القرار في الذكاء الاصطناعي. وبخلاف النهج السابقة التي قد تبحث ببساطة عن عناصر متشابهة، تسمح طريقتهم للذكاء الاصطناعي بتتبع مسارات محددة عبر رسم المعرفة البياني، متبعًا الاهتمامات الفريدة لكل مستخدم للعثور على الاقتراحات الأكثر صلة.

يكمن جوهر هذا النظام الجديد في كيفية تعامله مع الكم الهائل من البيانات المتاحة. فبدلاً من تغذية الذكاء الاصطناعي بكل اتصال ممكن في رسم المعرفة البياني، وهو أمر سيكون مرهقًا ومربكًا، قدم الباحثون وحدة خفيفة الوزن تتعلم ما يهتم به مستخدم معين. تعمل هذه الوحدة مثل مرشح (فلتر)، حيث تحدد أنواع الروابط الأكثر أهمية لشخص معين. على سبيل المثال، إذا كان المستخدم يشاهد باستمرار أفلامًا لمخرج معين، فإن النظام يتعلم إعطاء الأولوية للمسارات في رسم المعرفة البياني التي تتضمن المخرجين. وإذا كان مستخدم آخر يفضل أفلامًا من عقد معين، فإن النظام يركز على المسارات المتعلقة بسنوات الإصدار. ومن خلال اختيار المسارات الأكثر أهمية فقط، ينشئ النظام سياقًا موجزًا ومخصصًا يمكن للذكاء الاصطناعي معالجته بسرعة.

بمجرد أن يجمع النظام هذه المعلومات المصممة خصيصًا، فإنه يدمجها مع تاريخ المستخدم وقائمة من العناصر المحتملة. ثم يتم تمرير هذه الحزمة بأكملها إلى نموذج لغوي كبير، وتحديدًا نسخة من Llama-2، والتي تعمل كحكم نهائي. يقرأ النموذج تاريخ المستخدم، والمسارات المختارة من رسم المعرفة البياني، وقائمة المرشحين، ثم يقرر أي عنصر هو المطابق الأفضل. وقد اختبر الباحثون هذا النهج على مجموعتي بيانات مشهورتين: إحداهما تحتوي على أكثر من 100,000 تفاعل بين المستخدمين والأفلام، والأخرى تضم ما يقرب من 200,000 تفاعل يتعلق بمنتجات التجميل. وأظهرت النتائج أن طريقتهم تفوقت باستمرار على المعيار السابق، LlamaRec، في ترتيب العناصر الصحيحة في أعلى القائمة بدقة. وكان التحسن ملحوظًا بشكل خاص في مجموعة بيانات الأفلام، حيث أدت قدرة النظام على تتبع العلاقات المهيكلة إلى توصيات أفضل بكثير.

كما استكشفت الدراسة ما يحدث عند إزالة آلية التصفية هذه. فعندما حاول الباحثون تغذية الذكاء الاصطناعي بجميع الاتصالات الممكنة دون السماح للنظام بتحديد ما يهم منها، انخفض الأداء. وتبرز هذه النتيجة رؤية حاسمة: امتلاك المزيد من المعلومات ليس دائمًا أفضل. فبدون وسيلة للتمييز بين التفاصيل ذات الصلة وغير ذات الصلة، يصبح الذكاء الاصطناعي مرتبكًا بسبب الضجيج، مما يؤدي إلى قرارات أسوأ. ويؤكد نجاح الإطار الجديد أن مفتاح التوصيات الفعالة ليس مجرد الوصول إلى شبكة واسعة من الحقائق، بل امتلاك طريقة ذكية للتنقل في تلك الشبكة بناءً على ما يقدره المستخدم بالفعل.

وبعيدًا عن مجرد تحسين دقة الاقتراحات، يفتح هذا العمل الباب أمام توصيات أكثر شفافية وقابلية للتفسير. ولأن النظام يعتمد على مسارات محددة في رسم المعرفة البياني، فإنه يمكنه توضيح سبب تقديم اقتراح معين بالضبط. فعلى سبيل المثال، يمكنه التوضيح أن فيلمًا قد تم اقتراحه لأن المستخدم استمتع بأفلام أخرى لنفس المخرج، وهو اتصال تم تتبعه صراحةً من خلال البيانات. كما لاحظ الباحثون أنه بينما يعمل نظامهم الحالي بشكل جيد، إلا أن هناك فرصًا لصقله أكثر، مثل تحديث رسم المعرفة البياني ديناميكيًا لضمان احتواءه فقط على المعلومات المتاحة حتى اللحظة الراهنة، مما يمنع النظام من استخدام بيانات مستقبلية بالخطأ لإجراء تنبؤات ماضية. وفي النهاية، تشير هذه الأبحاث إلى أن الجيل القادم من أنظمة التوصية لن يكون أكثر ذكاءً فحسب، بل سيكون أيضًا أكثر انسجامًا مع الطرق المعقدة والشخصية التي نتواصل بها مع العالم من حولنا.