Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective
यह सर्वेक्षण नॉलेज ग्राफ पर न्यूरल-सिम्बोलिक रीजनिंग की एक व्यापक समीक्षा प्रदान करता है, जो क्वेरी प्रकारों और वर्गीकरण पर ध्यान केंद्रित करता है साथ ही डीप लर्निंग और सिम्बोलिक रीजनिंग के बीच के अंतर को पाटने के लिए लार्ज लैंग्वेज मॉडल्स के अभिनव एकीकरण का अन्वेषण करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक विशाल, डिजिटल पुस्तकालय की कल्पना करें जहाँ दुनिया के हर तथ्य को किताबों में नहीं, बल्कि कनेक्शनों के एक विशाल जाल के रूप में संग्रहीत किया गया है। इस पुस्तकालय में, एक व्यक्ति को उसकी नौकरी से, एक शहर को उसके देश से, और एक फिल्म को उसके निर्देशक से जोड़ा जाता है। यह संरचना, जिसे 'नॉलेज ग्राफ' (ज्ञान ग्राफ) कहा जाता है, मानव समझ के मानचित्र के रूप में कार्य करती है, जिससे कंप्यूटर सूचना के एक टुकड़े से दूसरे तक नेविगेट कर सकते हैं। दशकों से, वैज्ञानिकों ने मशीनों को इस मानचित्र के माध्यम से तर्क करने के लिए प्रशिक्षित करने का प्रयास किया है, ताकि वे एक प्रश्न पूछ सकें और कनेक्शनों के भीतर छिपे एक नए सत्य को खोज सकें। हालाँकि, वास्तविक दुनिया अव्यवस्थित है। तथ्य अक्सर गायब होते हैं, और डेटा शोर भरा या विरोधाभासी हो सकता है। पारंपरिक तरीके, जो कानूनी संहिता जैसे सख्त, कठोर नियमों पर निर्भर करते हैं, इस अपूर्णता का सामना करने पर अक्सर विफल हो जाते हैं। वे वास्तविकता के धूसर क्षेत्रों (ग्रे एरिया) को नहीं संभाल सकते।
इसे हल करने के लिए, शोधकर्ता एक प्रकार की नई बुद्धिमत्ता विकसित कर रहे हैं जो सोचने के दो अलग-अलग तरीकों का मिश्रण है। एक तरीका एक कंप्यूटर प्रोग्राम की तरह है जो एक सख्त रेसिपी का पालन करता है, जो सटीक तो है लेकिन नाजुक है। दूसरा तरीका एक मानव मस्तिष्क की तरह है जो पैटर्न से सीखता है, जो लचीला है लेकिन कभी-कभी अस्पष्ट होता है। इन दृष्टिकोणों को मिलाते हुए, वैज्ञानिक ऐसे सिस्टम बना रहे हैं जो सटीकता और अनुकूलन क्षमता दोनों के साथ ज्ञान के इस अव्यवस्थित जाल के माध्यम से तर्क कर सकते हैं। वेन स्टेट यूनिवर्सिटी और इलिनोइस विश्वविद्यालय, अर्बाना-शैंपेन के शोधकर्ताओं द्वारा किया गया एक हालिया सर्वेक्षण इस बात पर गहराई से नज़र डालता है कि यह कैसे किया जा रहा है। वे देखते हैं कि ये सिस्टम प्रश्नों का उत्तर कैसे देते हैं, सरल एक-चरणीय पूछताछ से लेकर जटिल, बहु-स्तरीय पहेलियों तक, और कैसे अब वे एक नए, शक्तिशाली उपकरण से जुड़ रहे हैं: लार्ज लैंग्वेज मॉडल्स (LLMs), वही तकनीक जो आधुनिक चैटबॉट्स को शक्ति प्रदान करती है।
शोधकर्ताओं ने अपनी समीक्षा को इस आधार पर व्यवस्थित किया कि इन सिस्टमों से किस प्रकार के प्रश्न पूछे जाते हैं। सबसे सरल प्रश्न 'सिंगल-हॉप क्वेरीज़' (एकल-कदम प्रश्न) हैं, जहाँ उत्तर केवल एक कदम दूर होता है। यदि आप पूछते हैं, "कंपनी X का सीईओ कौन है?", तो सिस्टम एक सीधा लिंक खोजता है। इन कार्यों के लिए, पुराने तरीकों ने विशेषज्ञों द्वारा लिखे गए सख्त नियमों का उपयोग किया, लेकिन वे अधूरे डेटा के कारण अक्सर विफल हो गए। नए तरीके न्यूरल नेटवर्क का उपयोग करते हैं, जो कंप्यूटर मॉडल हैं जो उदाहरणों से सीखते हैं, ताकि गायब कड़ियों का अनुमान लगाया जा सके। सबसे आशाजनक दृष्टिकोण दोनों को जोड़ता है: यह अनिश्चितता को संभालने के लिए न्यूरल नेटवर्क की सीखने की शक्ति का उपयोग करता है और यह सुनिश्चित करने के लिए नियमों की तार्किक संरचना को बनाए रखता है कि उत्तर समझ में आए। यह हाइब्रिड विधि सिस्टम को यह निष्कर्ष निकालने की अनुमति देती है कि यदि कोई व्यक्ति किसी विशिष्ट शहर में स्थित कंपनी में काम करता है, तो संभावना है कि वह उसी शहर में रहता है, भले ही वह विशिष्ट तथ्य स्पष्ट रूप से न लिखा गया हो।
जब प्रश्न अधिक जटिल हो जाते हैं, जिनमें कई चरण या "और", "या", और "नहीं" जैसी तार्किक स्थितियाँ शामिल होती हैं, तो चुनौती काफी बढ़ जाती है। ये केवल एक लिंक खोजने के बारे में नहीं हैं, बल्कि वेब के माध्यम से एक पथ नेविगेट करने के बारे में हैं। सर्वेक्षण बताता है कि शोधकर्ताओं ने इन प्रश्नों को गणितीय समस्याओं के रूप में विकसित करने के तरीके खोजे हैं जिन्हें एक ज्यामितीय स्थान के माध्यम से हल किया जा सकता है। केवल यह जाँचने के बजाय कि कोई तथ्य सत्य है या असत्य, सिस्टम विभिन्न संभावनाओं के लिए सत्य की एक डिग्री निर्धारित करता है। कुछ तरीके इन संभावनाओं को एक बहु-आयामी स्थान में आकृतियों, जैसे बॉक्स या गोले के रूप में देखते हैं। इन आकृतियों के ओवरलैप होने या एक साथ फिट होने के तरीके को देखकर, कंप्यूटर एक जटिल प्रश्न का उत्तर निर्धारित कर सकता है, जैसे "उन सभी अभिनेताओं को खोजें जिन्होंने फ्रांस के एक निर्देशक के साथ काम किया है लेकिन ऑस्कर नहीं जीता है।" शोधकर्ताओं ने पाया कि हालांकि ये तरीके शक्तिशाली हैं, फिर भी वे सबसे जटिल तार्किक संरचनाओं के साथ संघर्ष करते हैं, जो यह सुझाव देता है कि यह क्षेत्र अभी भी परिपक्व हो रहा है।
सर्वेक्षण यह भी पता लगाता है कि ये सिस्टम औपचारिक कोड के बजाय रोजमर्रा की भाषा में पूछे गए प्रश्नों को कैसे संभालते हैं। जब एक मानव पूछता है, "पिछले साल सबसे अधिक पुरस्कार जीतने वाली फिल्म में खलनायक की भूमिका किसने निभाई थी?", तो सिस्टम को पहले वाक्य को समझना, उसे तोड़ना और फिर नॉलेज ग्राफ में खोजना होता है। शुरुआती प्रयासों ने वाक्य को एक सख्त कमांड में अनुवाद करने की कोशिश की, लेकिन असामान्य वाक्यांश होने पर यह अक्सर विफल हो गया। नए दृष्टिकोण 'रीइन्फोर्समेंट लर्निंग' का उपयोग करते हैं, जो एक ऐसी तकनीक है जहाँ सिस्टम ट्रायल और एरर (परीक्षण और त्रुटि) के माध्यम से सीखता है ताकि ग्राफ में नेविगेट कर सके और उत्तर खोज सके। उन बातचीत में जहाँ एक उपयोगकर्ता अनुवर्ती प्रश्न पूछता है, सिस्टम को पिछले टर्न के संदर्भ को याद रखना होता है। शोधकर्ताओं ने नोट किया कि हालांकि प्रगति हुई है, फिर भी ये सिस्टम कभी-कभी तर्क की लंबी श्रृंखलाओं में खो जाते हैं या डेटा में समान पथों के बीच अंतर करने में विफल रहते हैं।
सर्वेक्षण में चर्चा किया गया सबसे रोमांचक विकास लार्ज लैंग्वेज मॉडल्स का नॉलेज ग्राफ के साथ एकीकरण है। ये मॉडल मानव भाषा को समझने में अविश्वसनीय रूप से अच्छे हैं लेकिन अक्सर चीजें बना लेते हैं (हैलुसिनेशन), क्योंकि उनके पास तथ्यों के सत्यापित डेटाबेस तक पहुंच नहीं होती है। इसके विपरीत, नॉलेज ग्राफ तथ्यों से भरे होते हैं लेकिन प्राकृतिक भाषा को समझने में बहुत खराब होते हैं। शोधकर्ताओं ने पाया कि उन्हें मिलाने से एक शक्तिशाली साझेदारी बनती है। एक दृष्टिकोण में, लैंग्वेज मॉडल एक मार्गदर्शक के रूप में कार्य करता है, जो मानव प्रश्न को नॉलेज ग्राफ के लिए सर्च क्वेरी में अनुवाद करने में मदद करता है। दूसरे में, नॉलेज ग्राफ एक फैक्ट-चेकर के रूप में कार्य करता है, जो लैंग्वेज मॉडल को गलत जानकारी बनाने से रोकने के लिए सत्यापित जानकारी प्रदान करता है। सबसे उन्नत तरीके दोनों को एक लूप में मिलकर काम करने की अनुमति देते हैं, जहाँ लैंग्वेज मॉडल ग्राफ को प्रासंगिक जानकारी खोजने में मदद करता है, और ग्राफ लैंग्वेज मॉडल को उसका उत्तर परिष्कृत करने में मदद करता है। यह आपसी सहायता एक ऐसा सिस्टम बनाती है जो बातचीत में प्रवाहपूर्ण और वास्तविकता में आधारित है।
आगे देखते हुए, शोधकर्ता सुझाव देते हैं कि अगली सीमा इन सिस्टमों को टेक्स्ट से परे विस्तारित करना है। वे ऐसे नॉलेज ग्राफ की कल्पना करते हैं जिनमें चित्र, वीडियो और ऑडियो शामिल हों, जिससे कंप्यूटर दुनिया के बारे में इस तरह से तर्क कर सके जो मानव धारणा के करीब हो। वे एक ऐसा भविष्य भी देखते हैं जहाँ ये सिस्टम विभिन्न भाषाओं के बीच सेतु बना सकें, बिना किसी मानव अनुवादक की आवश्यकता के, अंग्रेजी, चीनी या स्पेनिश में व्यक्त किए गए तथ्यों के बीच संबंध खोज सकें। जबकि वर्तमान तकनीक ने मशीनों को स्मार्ट और अधिक विश्वसनीय बनाने में महत्वपूर्ण प्रगति की है, सर्वेक्षण निष्कर्ष निकालता है कि अभी भी बहुत काम किया जाना बाकी है। लक्ष्य ऐसे सिस्टम बनाना है जो न केवल जानकारी प्राप्त कर सकें, बल्कि वास्तव में मानव ज्ञान की जटिल, परस्पर जुड़ी प्रकृति को समझ सकें, और वास्तविक दुनिया की अव्यवस्था को मानव मस्तिष्क की तरह ही सहजता से संभाल सकें।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।