Integrating Knowledge Graphs with Adaptive Schema into Wikipedia-based Question Answering Systems
تقترح هذه الورقة إطار عمل لاسترجاع المعلومات معزز بالرسوم البيانية وذو مخطط متكيف للإجابة على الأسئلة متعددة القفزات القائمة على ويكيبيديا، والذي يستخدم استخراجاً موجهاً بالمخطط محلياً يعتمد على GLiNER2 وحقناً لاحقاً للثلاثيات لتحسين تغطية الأدلة وأداء الاسترجاع مقارنة بالنماذج المرجعية المعتمدة على النماذج اللغوية الكبيرة، محققاً درجات F1 هي الأفضل في فئتها على مجموعات بيانات MuSiQue و2WikiMultihopQA وHotpotQA.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في المكتبة الرقمية الشاسعة للمعرفة البشرية، غالبًا ما يكون العثور على حقيقة واحدة أمرًا سهلاً. لكن الإجابة على سؤال معقد يتطلب ربط النقاط عبر صفحات مختلفة هو تحدٍ من نوع آخر تمامًا. تخيل أنك تحاول حل لغز تكون فيه الإشارة الأولى في كتاب، والإشارة الثانية في كتاب آخر، والجواب النهائي لا يظهر إلا عندما تدرك كيف تتناسب هاتان الإشارتان مع بعضهما البعض. هذا هو جوهر الإجابة على الأسئلة متعددة الخطوات (multi-hop question answering)، وهي مهمة لطالما اختبرت حدود الذكاء الاصطناعي. لسنوات، عانت الحواسيب من هذا الأمر لأنها عادة ما تبحث عن الإجابات من خلال البحث عن كلمات تشبه الكلمات الموجودة في السؤال. وإذا كانت الإجابة تتطلب سلسلة من الاستنتاج لا تشترك في تلك الكلمات نفسها، فغالبًا ما تضل الحاسوب طريقها. ولحل هذه المشكلة، بدأ الباحثون في بناء خرائط رقمية للحقائق، تربط كيانات مثل الأشخاص والأماكن والأحداث ببعضها البعض. هذه الخرائط، المعروفة باسم الرسوم البيانية للمعرفة (knowledge graphs)، تسمح للحاسوب بالسير من معلومة إلى أخرى، متبعًا المسار المنطقي بدلاً من مجرد مطابقة الكلمات المفتاحية.
ومع ذلك، كان بناء هذه الخرائط عملية بطيئة ومكلفة تقليديًا. تعتمد العديد من الأنظمة على ذكاء اصطناعي قوي قائم على السحابة لقراءة كل جملة في مكتبة ضخمة وتخمين العلاقات الموجودة. هذا النهج مرن ولكنه مكلف وعرضة للأخطاء. تقترح دراسة جديدة أجراها باحثون من فيتنام مسارًا مختلفًا: نظامًا يبني هذه الخرائط باستخدام طريقة أخف وأكثر محلية يمكنها العمل على أجهزة كمبيوتر قياسية، مع الاستمرار في التعلم لاكتشاف أنواع جديدة من الروابط أثناء عمله. ركز الفريق على ويكيبيديا، وهي مجموعة هائلة من المقالات، لمعرفة ما إذا كان بإمكانهم إنشاء خريطة موثوقة للحقائق دون الحاجة إلى خدمات خارجية مكلفة. كان هدفهم هو إنشاء نظام لا يمكنه فقط العثور على المستندات الصحيحة، بل يمكنه أيضًا فهم الجسور الخفية بينها، مما يسمح له بالإجابة على الأسئلة التي تتطلب استنتاجًا عميقًا ومتعدد الخطوات.
طوّر الباحثون إطار عمل يبدأ بمجموعة من القواعد المحددة مسبقًا لأنواع العلاقات المراد البحث عنها، مثل "وُلد في" أو "يعمل لدى". استخدموا أداة متخصصة لمسح مقالات ويكيبيديا واستخراج هذه الحقائق المحددة، محولين النص إلى شبكة مهيكلة من العقد والحواف. لكنهم أدركوا أن قائمة ثابتة من القواعد ستفوت تفاصيل مهمة فريدة من نوعها في النص. ولحل ذلك، أضافوا خطوة ثانية ذكية؛ فبعد بناء الخريطة الأولية، بحث النظام عن أزواج من الكيانات التي ظهرت معًا في النص ولكن لا يوجد بينها خط رابط. قام النظام بتحليل الكلمات المحيطة بهذه الأزواج لمعرفة ما إذا كان هناك علاقة جديدة ومتسقة قد برزت. وإذا وجد النظام أن عبارة معينة تكررت بما يكٍ من الأهمية لتكون ذات معنى، فإنه ينشئ فئة جديدة لتلك العلاقة ويضيف فورًا الروابط المفقودة إلى الخريطة. هذه العملية، التي يسميها الفريق "اكتشاف المخطط التكيفي" (adaptive schema discovery)، سمحت للنظام بتوسيع فهمه للعالم دون الحاجة إلى إعادة قراءة المكتبة بأكملها من الصفر.
بمجرد اكتمال الخريطة، اختبر الباحثون مدى قدرتها على المساعدة في الإجابة على الأسئلة. عندما يطرح المستخدم سؤالاً معقدًا، لا يكتفي النظام بالبحث عن الكلمات المطابقة، بل يستخدم الخريطة للعثور على نقاط البداية للسؤال ثم يسير عبر الشبكة للعثور على الحقائق ذات الصلة، حتى لو كانت تلك الحقائق على بعد عدة خطوات. ولضمان اختيار النظام للمعلومات الأكثر صلة، استخدم آلية تسجيل محلية لترتيب النتائج وطريقة توجيه طوبولوجي لاختيار مجموعة مدمجة من المستندات المرتبطة هيكليًا. هذا النهج يعني أن النظام يمكنه التركيز على سلسلة الأدلة المحددة لحل اللغز، بدلاً من أن يغرق في معلومات غير ذات صلة. تم تصميم العملية بأكملها، من بناء الخريطة إلى اختيار المستندات النهائية، لتعمل بكفاءة على جهاز كمبيوتر واحد من الفئة الاستهلاكية، متجنبًا الحاجة إلى موارد الحوسبة السحابية المكلفة.
أظهرت نتائج الدراسة أن هذا النهج يعمل بشكل جيد. اختبر الفريق نظامهم على ثلاث مجموعات مختلفة من الأسئلة الصعبة التي تتضمن خطوات متعددة من الاستنتاج. وفي كل حالة، تفوق نظامهم المعزز بالرسوم البيانية على طريقة أساسية رائدة تعتمد على نوع مختلف من الاسترجاع. وفي مجموعة بيانات صعبة بشكل خاص مصممة لاختبار الاستنتاج المعقد، حسّن النظام الجديد دقة نتائجه بهامش ملحوظ، حيث نجح في استرجاع الأدلة اللازمة بشكل متكرر أكثر من طريقة المقارنة. وجدت الدراسة أن القدرة على اكتشاف وإضافة أنواع علاقات جديدة أثناء العمل كانت عاملًا رئيسيًا في هذا النجاح، خاصة في مجموعات البيانات التي لم تكن القواعد المحددة مسبقًا كافية لالتقاط جميع الروابط الضرورية. تمكن النظام من تحديد مئات الأنواع الجديدة من العلاقات وضخ آلاف الحقائق الجديدة في الخريطة، مما ساهم بشكل مباشر في تقديم إجابات أفضل.
والأهم من ذلك، وجد الباحثون أن جودة الخريطة كانت أهم من العدد الهائل للحقائق المستخرجة. فبينما قد تولد الأنظمة الأخرى شبكة فوضوية من ملايين الروابط غير محددة بدقة، أنشأ هذا النظام بنية أكثر نظافة وتنظيمًا بروابط أقل ولكنها أكثر موثوقية. جعل هذا التنظيم من السهل جدًا على النظام التنقل في الرسم البياني والعثور على المسار الصحيح للإجابة. تشير الدراسة إلى أنه بالنسبة لمهام الاستنتاج المعقدة، فإن امتلاك خريطة متماسكة وقابلة للتنقل أكثر قيمة من امتلاك مجموعة ضخمة وغير منظمة من البيانات. ومن خلال الجمع بين طريقة استخراج محلية وفعالة والقدرة على التكيف وتعلم علاقات جديدة، أثبت الباحثون أنه من الممكن بناء أنظمة إجابة على الأسئلة قوية وفعالة وعملية للتشغيل على الأجهزة اليومية. يسلط هذا العمل الضوء على أن مستقبل البحث الذكي قد لا يعتمد على نماذج أكبر وأكثر تكلفة، بل على طرق أذكى لتنظيم وربط المعلومات التي نمتلكها بالفعل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.