💻 computer science

Bridge-RAG: An Abstract Bridge Tree Based Retrieval Augmented Generation Algorithm With Cuckoo Filter

يُعد Bridge-RAG إطار عمل جديداً للجيل المعزز بالاسترجاع يعمل على تعزيز أداء النماذج اللغوية الكبيرة من خلال استخدام بنية شجرة جسر تجريدية لتحسين الدقة الدلالية ومرشح كوكو (Cuckoo Filter) مُحسَّن مع قوائم مرتبطة كتلية لسرعة استرجاع أعلى بكثير، محققاً زيادة في الدقة بنسبة 15.65% وتسريعاً يتراوح من 10 إلى 500 ضعف مقارنة بالطرق الحالية.

المؤلفون الأصليون: Zihang Li, Wenjun Liu, Yikun Zong, Jiawen Tao, Siying Dai, Songcheng Ren, Zirui Liu, Yanbing Jiang, Tong Yang

نُشر 2026-03-31

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zihang Li, Wenjun Liu, Yikun Zong, Jiawen Tao, Siying Dai, Songcheng Ren, Zirui Liu, Yanbing Jiang, Tong Yang

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 تلعب دور أمين مكتبة عبقري ولكنه مثقل بالأعباء قليلاً (أنت النموذج اللغوي الكبير) تحاول الإجابة على سؤال معقد من أحد الزوار. لديك مكتبة تضم ملايين الكتب، لكنها جميعاً مبعثرة على الأرض في كومة فوضوية.

الطريقة القديمة في العمل (RAG القياسي) تشبه إلقاء شبكة فوق الأرض لالتقاط بضع صفحات عشوائية تبدو "مشابهة" للسؤال. أحياناً تلتقط الصفحات الصحيحة، ولكن في كثير من الأحيان تلتقط صفحات تتحدث عن نفس الموضوع ولكنها غير ذات صلة تماماً بالتفصيل المحدد الذي تحتاجه. بالإضافة إلى ذلك، فإن البحث في الكومة بأكملها يستغرق وقتاً طويلاً.

Bridge-RAG هو نظام جديد وذكي للغاية مصمم لحل مشكلتين كبيرتين: الدقة (الحصول على المعلومة الصحيحة) والسرعة (الحصول عليها بسرعة). وإليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. "شجرة الملخصات" (رف الكتب المنظم)

بدلاً من ترك الكتب في كومة، يقوم Bridge-RAG ببناء شجرة هرمية (مثل شجرة العائلة، ولكن للأفكار).

القطع (Chunks): تخيل أن كل 5 صفحات من كتاب ما ملتصقة معاً لتشكل "فصلاً صغيراً".
الملخصات (Abstracts): يقرأ النظام تلك الصفحات الخمس ويكتب ملخصاً ("Abstract") على ورقة ملاحظات لاصقة.
الشجرة: يتم تنظيم هذه الملاحظات اللاصقة في شجرة.
- قمة الشجرة: ملخصات عامة جداً (مثلاً: "الطب").
- المنتصف: مواضيع محددة (مثلاً: "أمراض القلب").
- قاعدة الشجرة: الفصول الصغيرة الفعلية التي تحتوي على التفاصيل.

لماذا يساعد هذا: عندما تطرح سؤالاً، لا يبحث النظام عن صفحات عشوائية فقط. بل يجد "الملاحظة اللاصقة" الصحيحة (الملخص) أولاً، ثم ينظر إلى الملاحظات الأب (الصورة الكبيرة) والملاحظات الابن (التفاصيل الدقيقة). هذا يضمن أن الإجابة تحتوي على كل من السياق الكبير والحقائق المحددة، مما يجعلها أكثر دقة بكثير.

2. "فلتر كوكو" (بطاقة الفهرس السحرية)

كان العثور على الملاحظة اللاصقة الصحيحة في شجرة ضخمة أمراً بطيئاً في السابق؛ حيث كان عليك المشي صعوداً وهبوطاً في الممرات للتحقق من كل فرع.

يقدم Bridge-Raki "فلتر كوكو" (Cuckoo Filter)، والذي يعمل مثل بطاقة فهرس سحرية أو نظام تحديد مواقع (GPS) فائق السرعة.

كيف يعمل: بدلاً من المشي عبر الشجرة، تسأل الـ GPS: "أين هي الملاحظة اللاصقة الخاصة بـ 'النوبة القلبية'؟"
النتيجة: يشير إليك الـ GPS فوراً إلى الموقع المحدد في خطوة واحدة (ما يسمى رياضياً بزمن $O(1)$ ). إنه يشبه الانتقال الآني إلى الرف الصحيح بدلاً من المشي إلى هناك.

3. "القائمة المرتبطة بالكتل" (عربة الكتب الفعالة)

بمجرد أن يخبرك الـ GPS بمكان الملاحظة اللاصقة، تحتاج إلى التقاط الصفحات الفعلية.

المشكلة: في الأنظمة القديمة، كان عنوان كل صفحة مكتوباً على ورقة منفصلة ومبعثرة في كل مكان.
حل Bridge-RAG: يستخدمون "قائمة مرتبطة بالكتل" (Block Linked List). تخيل عربة صغيرة تحمل ثلاثة عناوين في آن واحد. عندما تسحب العربة، تحصل على ثلاثة مواقع دفعة واحدة. هذا يوفر المساحة ويجعل مهمة أمين المكتبة أسرع بكثير لأنه لا يضطر للركض ذهاباً وإياباً.

4. "نظام درجة الحرارة" (رف الكتب الشهيرة)

بعض المواضيع تُسأل عنها طوال الوقت (مثل "كيفية صنع القهوة")، بينما البعض الآخر نادر (مثل "تاريخ الملاعق في القرن الرابع عشر").

الطريقة القديمة: يبحث أمين المكتبة عن المواضيع النادرة أولاً، حتى لو كانت نادرة السؤال.
حل Bridge-RAG: يستخدمون نظام "درجة الحرارة". في كل مرة يُسأل فيها عن موضوع ما، يصبح "أكثر سخونة".
- المواضيع الساخنة (درجة حرارة عالية) يتم نقلها إلى مقدمة الطابور.
- المواضيع الباردة تُدفع إلى الخلف.
- هذا يعني أن الأسئلة الأكثر شيوعاً تتم الإجابة عليها فوراً تقريباً لأن أمين المكتبة ينظر في ذلك الاتجاه بالفعل.

النتيجة النهائية

من خلال الجمع بين هذه الأشياء الثلاثة:

الشجرة: تنظم المعرفة بحيث يكون للجواب معنى.
الـ GPS السحري: يجد المكان الصحيح فوراً.
الفرز الساخن/البارد: يعطي الأولوية لما يسألون عنه الناس بالفعل.

يحقق Bridge-RAG شيئين مذهلين:

إنه أسرع بـ 10 إلى 500 مرة من الأنظمة السابقة. (تخيل الحصول على إجابة في طرفة عين بدلاً من الانتظار حتى تنتهي من استراحة القهوة).
إنه أكثر دقة بنسبة 15% تقريباً. (الإجابات أكثر ذكاءً وأقل عرضة للارتباك).

باختصار، يحول Bridge-RAG المكتبة الفوضوية إلى مركز معلومات عالي التنظيم، فائق السرعة، وذكي يعرف تماماً أين يبحث وما الذي يجب أن يعطيه الأولوية.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "Bridge-RAG: خوارزمية توليد مدعوم بالاسترجاع تعتمد على شجرة جسر تجريدية مع مرشح كوكو (Cuckoo Filter)."

1. بيان المشكلة

تواجه أنظمة التوليد المدعوم بالاسترجاع (RAG) عقبتين حرجتين عند التوسع في قواعد المعرفة الضخمة:

دقة الاسترجاع: يعتمد نظام RAG القياسي على البحث عن التشابه المتجهي، والذي غالبًا ما يسترجع مقاطع ذات صلة دلاليًا ولكنها مجزأة سياقيًا أو مشوشة. يؤدي هذا إلى عدم كفاية الأدلة المقدمة للنموذج اللغوي الكبير (LLM)، مما يتسبب في أخطاء في الاستجابة النهائية.
الكفاءة الحسابية: تعاني أطر عمل RAG الهيكلية (مثل Tree-RAG وGraph-RAG) من زمن انتقال (Latency) شديد. فمع زيادة حجم مجموعة البيانات وعمق الشجرة، يصبح التنقل عبر الهياكل الهرمية لتحديد الكيانات ذات الصلة مكلفًا حسابيًا، مما يعيق النشر في العالم الحقيقي الذي يتطلب زمن انتقال منخفضًا.

2. المنهجية: Bridge-RAG

يقترح Bridge-RAG إطار عمل مبتكر يدمج "شجرة تجريدية هرمية" مع "مرشح كوكو مُحسّن" لمعالجة الدقة والكفاءة في آن واحد.

أ. هيكل الشجرة التجريدية الهرمية (التركيز على الدقة)

لتحسين الفهم الدلالي، يقدم النظام مفهوم "التجريد" (Abstract):

التعريف: التجريد هو وحدة معرفية عالية المستوى تتكون من تجميع خمس قطع مستندات متتالية. يتم دمج هذه القطع عبر تجميع التضمين (Embedding Aggregation) أو التلخيص لإنشاء ملخص دلالي موجز.
تنظيم الشجرة: تُنظم التجريدات في شجرة حيث تمثل العقد في المستويات العليا المفاهيم العامة، بينما تلتقط العقد في المستويات الدنيا التفاصيل المحددة.
استراتيجية الاسترجاع متعددة المستويات: بدلاً من استرجاع العقدة المستهدفة فقط، يتتبع النظام النسب الهرمي (الأب والابن) للعقدة المستهدفة. يضمن ذلك أن السياق المسترجع يمتد عبر مستويات تجريد متعددة، مما يوفر مفاهيم عالية المستوى وتفاصيل نصية دقيقة في آن واحد.

ب. مرشح كوكو المُحسّن (التركيز على الكفاءة)

لتسريع البحث عن الكيانات وربطها بالتجريدات المقابلة لها، صمم المؤلفون مرشح كوكو محسنًا بزمن تعقيد $O(1)$ :

هيكل القائمة المرتبطة بالكتل (Block Linked List): على عكس مرشحات كوكو التقليدية التي تخزن قيمًا مفردة، تخزن كل عقدة في الوعاء (Bucket) في Bridge-RAG قائمة مرتبطة بالكتل. تجمع كل كتلة عناوين متعددة (مؤشرات عقد التجريد). وبما أن كل تجريد يرتبط بـ 5 قطع ثابتة، فإن عناوين القطع تُشتق ضمنيًا، مما يقلل من تفتت الذاية ويحسن أداء ذاكرة التخزين المؤقت (Cache).
الفرز القائم على درجة حرارة الكيان: للاستفادة من المحلية الزمنية (Temporal Locality)، يحافظ النظام على متغير "درجة الحرارة" لكل كيان يمثل تكرار الوصول إليه.
- عند نجاح عملية البحث، تزداد درجة حرارة الكيان.
- يقوم المرشح بإعادة ترتيب الكيانات ديناميكيًا داخل الأوعية، واضعًا الكيانات ذات "درجة الحرارة العالية" (الأكثر استخدامًا) في المقدمة.
- يعمل هذا على تحسين البحث الخطي داخل الأوعية، مما يسرع الاستعلامات المتكررة بشكل كبير.
تحسين التخزين: تُخزن الكيانات كبصمات مكونة من 12 بت بدلاً من السلاسل النصية الخام لتقليل بصمة الذاكرة.

ج. سير العمل

تحديد الكيانات: يتم استخراج الكيانات الرئيسية من استعلام المستخدم باستخدام أدوات معالجة اللغات الطبيعية (مثل SpaCy).
البحث بـ $O(1)$ : يقوم مرشح كوكو بتحديد التجريدات ذات الصلة لهذه الكيانات في زمن ثابت.
توسيع السياق: يتتبع النظام الشجرة التجريدية لاسترجاع التجريدات الأب والابن (حتى عمق محدد).
استرجاع القطع: يتم استرجاع جميع قطع المستندات المرتبطة بمجموعة التجريدات الموسعة.
الاختيار والتوليد: يتم اختيار أفضل- $k$ من القطع بناءً على تشابه جيب التمام (Cosine Similarity) مع تضمين الاستعلام، مدمجة مع سياق التجريد، ثم تُغذى إلى النموذج اللغوي الكبير (LLM).

3. المساهمات الرئيسية

مفهوم الجسر التجريدي: يقدم آلية "الجسر" حيث تربط التجريدات بين كيانات الاستعلام وقطع المستندات، مما يتيح استرجاعًا دلاليًا قويًا متعدد المستويات.
هيكل بيانات مُحسّن: يقترح مرشح كوكو مُحسّن يتميز بـ قائمة مرتبطة بالكتل وفرز قائم على درجة الحرارة، محققًا تعقيد بحث قدره $O(1)$ مع تحسين المحلية المكانية والزمنية.
مكاسب الأداء: يثبت وجود إطار عمل يتفوق بشكل كبير على النماذج المرجعية الحالية في كل من الدقة والسرعة دون الحاجة إلى بناء رسوم بيانية (Graphs) معقدة.

4. النتائج التجريبية

أُجريت التجارب على مجموعتي بيانات: MedQA (واسعة النطاق) و AALCR (متوسطة النطاق)، لمقارنة Bridge-RAG مع Naive RAG وGraph-RAG وTree-RAG.

تحسن الدقة:
- حقق Bridge-RAG تحسنًا بنسبة 15.65% تقريبًا في الدقة (مقاسًا بمعايب ROUGE وBLEU وBERTScore) مقارنة بالأطر الأخرى.
- في مجموعة بيانات AALCR، حقق تحسنًا في درجات BLEU بنسبة 22.1% مقارنة بـ Tree-RAG و 38.9% مقارنة بـ Graph-RAG.
- في مجموعة بيانات MedQA، حقق تحسنًا في ROUGE-L بنسبة 15% مقارنة بـ Tree-RAG.
تحسن الكفاءة (زمن الاسترجاع):
- قلل Bridge-RAG زمن الاسترجاع بمقدار 10 إلى 500 ضعف مقارنة بالأطر الأخرى.
- تحديدًا، كان أسرع بـ 500 مرة من Tree-RAG و 10 مرات أسرع من Graph-RAG في مجموعة بيانات AALCR.
- في مجموعة بيانات MedQA، كان أسرع بـ 226 مرة من Tree-RAG.
دراسة الاستئصال (Ablation Study): ثبت أن آلية "الفرز بدرجة الحرارة" تقلل زمن الاسترجاع بشكل كبير في الاستعلامات اللاحقة من خلال منح الأولوية للكيانات الأكثر وصولًا ("الساخنة").

5. الأهمية

يمثل Bridge-RAG تقدمًا مهمًا في بنية RAG من خلال حل المقايضة بين العمق الدلالي وزمن الانتقال الحسابي.

القابلية للتوسع: يسمح استخدام مرشح كوكو للنظام بالتوسع إلى مليارات المستندات مع الحفاظ على زمن انتقال منخفض، مما يعالج أحد العيوب الرئيسية في أنظمة Tree-RAG وGraph-RAG الحالية.
التماسك السياقي: من خلال استرجاع السياق عبر مستويات تجريد متعددة (الأب، الهدف، الابن)، يوفر النظام للنموذج اللغوي الكبير قاعدة معرفية أكثر شمولاً وتماسكًا، مما يقلل من الهلوسة الناتجة عن السياق المجزأ.
النشر العملي: يقدم إطار العمل حلاً قابلاً للتطبيق للتطبيقات في العالم الحقيقي التي تتطلب إجابات عالية الدقة مع استجابات منخفضة زمن الانتقال، مثل التشخيص الطبي أو الاستدلال القانوني المعقد.

القيود: يفترض النظام تجميعًا ثابتًا من 5 قطع لكل تجريد، وهو ما قد لا يكون مثاليًا لجميع أنواع البيانات. بالإضافة إلى ذلك، فإنه يرث مخاطر الهلوسة الخاصة بالنموذج اللغوي الأساسي إذا كانت المواد المصدر المسترجعة تحتوي على حقائق متضاربة.