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

आधुनिक तकनीक के विशाल परिदृश्य में, कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) की एक नई पीढ़ी उभरी है, जो आश्चर्यजनक प्रवाह के साथ मानव भाषा को समझने और उत्पन्न करने में सक्षम है। ये प्रणालियाँ, जिन्हें लार्ज लैंग्वेज मॉडल्स (बड़े भाषा मॉडल) के रूप में जाना जाता है, ने हमारे जानकारी खोजने, कहानियाँ लिखने और प्रश्नों के उत्तर देने के तरीके को बदल दिया है। इन मॉडलों को अधिक सटीक और उपयोगी बनाने के लिए, डेवलपर्स अक्सर उन्हें बाहरी डेटाबेस के साथ जोड़ते हैं, जिसे 'रिट्रीवल-ऑगमेंटेड जनरेशन' (रिट्रीवल-ऑगमेंटेड जनरेशन) कहा जाता है। यह एआई को केवल उस चीज़ पर निर्भर रहने के बजाय जो उसने प्रशिक्षण के दौरान याद की थी, उत्तर देने से पहले तथ्यों को खोजने की अनुमति देता है। हालाँकि, अनुशंसा प्रणालियों (रिकमेंडेशन सिस्टम) के क्षेत्र में एक महत्वपूर्ण चुनौती बनी हुई है, जहाँ एल्गोरिदम फिल्में, उत्पाद या संगीत सुझाते हैं। पारंपरिक तरीके अक्सर सूचनाओं को अलग-थलग तथ्यों के रूप में देखते हैं, जिससे उपयोगकर्ता के पिछले विकल्पों और उन वस्तुओं के बीच के गहरे संबंधों को समझने में चूक हो जाती है जो वे आगे पसंद कर सकते हैं। हालिया शोध को प्रेरित करने वाला प्रश्न यह है कि इन बुद्धिमान प्रणालियों को उन जटिल संबंधों के जाल की बेहतर समझ कैसे दी जाए जो हमारी प्राथमिकताओं को परिभाषित करते हैं, ताकि वे ऐसे सुझाव दे सकें जो वास्तव में व्यक्तिगत और तार्किक रूप से सुसंगत महसूस हों।

शोधकर्ताओं की एक टीम ने एक नया ढांचा (फ्रेमवर्क) बनाकर इस चुनौती का समाधान किया है जो लार्ज लैंग्वेज मॉडल्स की शक्ति को संरचित ज्ञान ग्राफ (स्ट्रक्चर्ड नॉलेज ग्राफ) के साथ जोड़ता है। एक नॉलेज ग्राफ को एक मानचित्र के रूप में समझें जहाँ सूचना का प्रत्येक टुकड़ा एक बिंदु है, और उनके बीच के संबंध रेखाएँ हैं जो एक कहानी बताती हैं। एक अनुशंसा प्रणाली में, यह मानचित्र एक उपयोगकर्ता को उसके द्वारा देखी गई फिल्म से, फिल्म को उसके निर्देशक से, और निर्देशक को उसके द्वारा बनाई गई अन्य फिल्मों से जोड़ सकता है। शोधकर्ताओं, वाहिद अज़ीज़ी और फतिमेह कूचाकी ने LlamaRec-LKG-RAG नामक एक प्रणाली विकसित की है, जो एआई की निर्णय लेने की प्रक्रिया को निर्देशित करने के लिए इस मानचित्र का उपयोग करती है। पिछले दृष्टिकोणों के विपरीत, जो केवल समान वस्तुओं की खोज कर सकते हैं, उनकी विधि एआई को नॉलेज ग्राफ के माध्यम से विशिष्ट पथों (पाथ्स) का अनुसरण करने की अनुमति देती है, जिससे वह प्रत्येक व्यक्तिगत उपयोगकर्ता की अद्वितीय रुचियों का पीछा करते हुए सबसे प्रासंगिक सुझाव ढूंढ सके।

इस नई प्रणाली के मूल में यह है कि यह उपलब्ध डेटा की विशाल मात्रा को कैसे संभालती है। नॉलेज ग्राफ में मौजूद हर संभव संबंध को एआई को खिलाने के बजाय, जो कि अत्यधिक और भ्रमित करने वाला हो सकता है, शोधकर्ताओं ने एक हल्का (लाइटवेट) मॉड्यूल पेश किया है जो यह सीखता है कि एक विशिष्ट उपयोगकर्ता किस चीज़ की परवाह करता है। यह मॉड्यूल एक फिल्टर की तरह कार्य करता है, जो यह पहचानता है कि किसी विशेष व्यक्ति के लिए किस प्रकार के संबंध सबसे महत्वपूर्ण हैं। उदाहरण के लिए, यदि कोई उपयोगकर्ता लगातार एक विशिष्ट निर्देशक की फिल्में देखता है, तो सिस्टम निर्देशकों से जुड़े पथों को प्राथमिकता देना सीख जाता है। यदि कोई अन्य उपयोगकर्ता किसी निश्चित दशक की फिल्मों को पसंद करता है, तो सिस्टम रिलीज के वर्षों से संबंधित पथों पर ध्यान केंद्रित करता है। केवल सबसे सार्थक पथों का चयन करके, सिस्टम एक संक्षिप्त और व्यक्तिगत संदर्भ बनाता है जिसे एआई तेजी से प्रोसेस कर सकता है।

एक बार जब सिस्टम यह अनुकूलित जानकारी एकत्र कर लेता है, तो यह इसे उपयोगकर्ता के इतिहास और संभावित वस्तुओं की एक सूची के साथ जोड़ देता है। यह पूरा पैकेज फिर एक लार्ज लैंग्वेज मॉडल को भेजा जाता है, विशेष रूप से Llama-2 का एक संस्करण, जो अंतिम निर्णायक के रूप में कार्य करता है। मॉडल उपयोगकर्ता के इतिहास, नॉलेज ग्राफ से चुने गए पथों और उम्मीदवारों की सूची को पढ़ता है, और फिर तय करता है कि कौन सी वस्तु सबसे अच्छा मिलान है। शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण दो प्रसिद्ध डेटासेट्स पर किया: एक जिसमें उपयोगकर्ताओं और फिल्मों के बीच 100,000 से अधिक इंटरैक्शन शामिल थे, और दूसरा जिसमें सौंदर्य उत्पादों (ब्यूटी प्रोडक्ट्स) से जुड़े लगभग 200,000 इंटरैक्शन शामिल थे। परिणामों ने दिखाया कि उनकी विधि ने सटीक रूप से सही वस्तुओं को सूची में शीर्ष पर रखने में पिछले मानक, LlamaRec, को लगातार पछाड़ दिया। सुधार विशेष रूप से मूवी डेटासेट में उल्लेखनीय था, जहाँ संरचित संबंधों का पालन करने की सिस्टम की क्षमता ने काफी बेहतर सिफारिशें दीं।

अध्ययन ने यह भी पता लगाया कि क्या होता है जब इस फ़िल्टरिंग तंत्र को हटा दिया जाता है। जब शोधकर्ताओं ने एआई को यह तय करने देने के बजाय कि कौन से विवरण महत्वपूर्ण हैं, सभी संभावित कनेक्शनों को फीड करने की कोशिश की, तो प्रदर्शन गिर गया। यह निष्कर्ष एक महत्वपूर्ण अंतर्दक्षता को उजागर करता है: अधिक जानकारी होना हमेशा बेहतर नहीं होता है। प्रासंगिक और अप्रासंगिक विवरणों के बीच अंतर करने के तरीके के बिना, एआई शोर (नॉइज़) से भ्रमित हो जाता है, जिससे निर्णय खराब हो जाते हैं। नए ढांचे की सफलता यह दर्शाती है कि प्रभावी अनुशंसाओं की कुंजी केवल तथ्यों के विशाल नेटवर्क तक पहुंच होना नहीं है, बल्कि यह जानना है कि उस नेटवर्क में नेविगेट कैसे किया जाए जो वास्तव में उपयोगकर्ता के लिए मूल्यवान है।

केवल सुझावों की सटीकता में सुधार करने के अलावा, यह कार्य अधिक पारदर्शी और व्याख्या योग्य (एक्सप्लेनेबल) अनुशंसाओं के द्वार खोलता है। क्योंकि सिस्टम नॉलेज ग्राफ में विशिष्ट पथों पर निर्भर करता है, इसलिए यह दिखा सकता है कि इसने एक निश्चित सुझाव क्यों दिया। उदाहरण के लिए, यह समझा सकता है कि एक फिल्म इसलिए सुझाई गई क्योंकि उपयोगकर्ता ने उसी निर्देशक की अन्य फिल्में पसंद की थीं, एक ऐसा संबंध जिसे डेटा के माध्यम से स्पष्ट रूप से ट्रैक किया गया था। शोधकर्ताओं ने यह भी नोट किया कि जबकि उनका वर्तमान सिस्टम अच्छी तरह से काम करता है, इसमें इसे और अधिक परिष्कृत करने के अवसर हैं, जैसे कि नॉलेज ग्राफ को गतिशील रूप से अपडेट करना ताकि यह सुनिश्चित हो सके कि इसमें केवल वर्तमान समय तक उपलब्ध जानकारी ही शामिल है, जिससे सिस्टम गलती से अतीत के अनुमान लगाने के लिए भविष्य के डेटा का उपयोग न कर सके। अंततः, यह शोध बताता है कि अनुशंसा प्रणालियों की अगली पीढ़ी न केवल स्मार्ट होगी, बल्कि उन जटिल और व्यक्तिगत तरीकों के प्रति भी अधिक संवेदनशील होगी जिनसे हम दुनिया के साथ जुड़ते हैं।