💬 NLP

Graph-Augmented Reasoning with Large Language Models for Tobacco Pest and Disease Management

यह शोध पत्र एक ग्राफ-संवर्धित तर्क ढांचे (graph-augmented reasoning framework) का प्रस्ताव करता है जो तंबाकू कीट और रोग प्रबंधन को बेहतर बनाने के लिए अधिक सटीक, मतिभ्रम-प्रतिरोधी (hallucination-resistant), और मल्टी-हॉप तर्क क्षमताओं के लिए रिलेशनल साक्ष्य पुनर्प्राप्त करने हेतु एक डोमेन-विशिष्ट नॉलेज ग्राफ को फाइन-ट्यून्ड चैटजीएलएम (ChatGLM) मॉडल के साथ एकीकृत करता है।

मूल लेखक: Siyu Li, Chenwei Song, Qi Zhou, Wan Zhou, Xinyi Liu

प्रकाशित 2026-02-04

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Siyu Li, Chenwei Song, Qi Zhou, Wan Zhou, Xinyi Liu

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 बड़ी तस्वीर: एक विशेष मानचित्र के साथ एक स्मार्ट सहायक

कल्पना कीजिए कि आप दक्षिण चीन के एक तंबाकू किसान हैं। आपकी फसलें बीमार हैं, लेकिन उन्हें ठीक करने की जानकारी हर जगह बिखरी हुई है: पुरानी नियमावलियों में, शोध पत्रों में, और कुछ विशेषज्ञों के दिमाग में। आपको एक त्वरित, सटीक उत्तर की आवश्यकता है, लेकिन इसे खोजना धीमा और भ्रमित करने वाला है।

इस पेपर के लेखकों ने इस समस्या को हल करने के लिए एक सुपर-स्मार्ट डिजिटल सहायक बनाया है। उन्होंने दो शक्तिशाली उपकरणों को मिलाया है:

एक लार्ज लैंग्वेज मॉडल (LLM): इसे एक बहुत ही पढ़े-लिखे लाइब्रेरियन (पुस्तकालयाध्यक्ष) के रूप में सोचें जो धाराप्रवाह लिख और बोल सकता है, लेकिन यदि उसके पास सही तथ्य नहीं हैं, तो वह कभी-कभी "हैलुसिनेट" (मनगढ़ंत बातें बनाना) कर सकता है।
एक नॉलेज ग्राफ (ज्ञान ग्राफ): इसे तंबाकू के कीटों और रोगों के लिए एक विशाल, संरचित रोडमैप (मार्गदर्शिका) या वंशवृक्ष (फैमिली ट्री) के रूप में सोचें। यह केवल शब्दों को सूचीबद्ध नहीं करता; बल्कि यह उन्हें आपस में जोड़ता है (जैसे, "यह लक्षण" $\rightarrow$ "इस बीमारी का कारण बनता है" $\rightarrow$ "इस कीटनाशक द्वारा उपचार किया जाता है")।

पेपर का लक्ष्य "लाइब्रेरियन" को किसी भी प्रश्न का उत्तर देने से पहले "रोडमैप" को देखने के लिए प्रशिक्षित करना था, ताकि यह सुनिश्चित हो सके कि सलाह सटीक है और वास्तविक संबंधों पर आधारित है, न कि केवल अनुमानों पर।

यह कैसे काम करता है: तीन-चरणीय प्रक्रिया

यह प्रणाली एक जासूस की तरह काम करती है जो रहस्य सुलझाता है, जिसमें तीन मुख्य चरण शामिल हैं:

1. मानचित्र बनाना (नॉलेज ग्राफ निर्माण)

सबसे पहले, टीम ने सारी बिखरी हुई जानकारी (नियमावलियाँ, दिशानिर्देश, विशेषज्ञ नोट्स) ली और उसे एक संरचित मानचित्र में व्यवस्थित किया।

नोड्स (Nodes): ये मानचित्र पर "बिंदु" हैं, जो तंबाकू मोज़ेक रोग, पीली पत्तियां, या एंटीवायरल स्प्रे जैसी चीजों का प्रतिनिधित्व करते हैं।
एजेस (Edges): ये बिंदुओं को जोड़ने वाली "रेखाएं" हैं। वे संबंध दिखाते हैं, जैसे "पीली पत्तियां तंबाकू मोज़ेक रोग का लक्षण है" या "तंबाकू मोज़ेक रोग का उपचार एंटीवायरल स्प्रे द्वारा किया जाता है।"

2. लेआउट को समझना (TransE और GCN)

केवल एक मानचित्र होना ही काफी नहीं है; कंप्यूटर को यह समझने की आवश्यकता है कि मानचित्र आपस में कैसे फिट बैठता है।

TransE (अनुवादक): इसे एक अनुवादक के रूप में कल्पना करें जो मानचित्र के प्रत्येक बिंदु और रेखा को संख्याओं के एक सेट (वेक्टर्स) में बदल देता है। यह सीखता है कि यदि आप "रोग" के लिए संख्या और "उपचार" के लिए संख्या जोड़ते हैं, तो आप "इलाज" की संख्या के करीब पहुँच जाते हैं। यह एक गणितीय ज्यामिति बनाता है जहाँ संबंधित चीजें एक-दूसरे के करीब होती हैं।
GCN (नेबरहुड वॉच): यह एक 'नेबरहुड वॉच' (पड़ोस की निगरानी) की तरह है। यदि एक रोग नोड एक लक्षण नोड से जुड़ा है, तो GCN उन्हें एक-दूसरे से "बात" करने देता है। रोग नोड लक्षणों के बारे में सीखता है, और लक्षण नोड उपचारों के बारे में सीखता है। यह प्रणाली को केवल अलग-थलग तथ्यों के बजाय, समस्या के संदर्भ को समझने में मदद करता है।

3. जासूस की जांच (ग्राफ-ऑगमेंटेड रीजनिंग)

जब एक किसान पूछता है, "मैं इन पीली पत्तियों को कैसे ठीक करूँ?", तो यहाँ क्या होता है:

क्वेरी (प्रश्न): सिस्टम प्रश्न लेता है और मानचित्र को देखता है।
रिट्रीवल (प्राप्ति): केवल टेक्स्ट के ढेर में "पीली पत्तियां" शब्दों को खोजने के बजाय (जो अप्रासंगिक लेख भी खोज सकता है), सिस्टम मानचित्र पर रेखाओं का पीछा करता है। यह विशिष्ट पथ खोजता है: पीली पत्तियां $\rightarrow$ रोग X $\rightarrow$ उपचार Y।
फ्यूजन (विलय): यह उस विशिष्ट "सब-मैप" (साक्ष्य) को पकड़ता है और उसे LLM (लाइब्रेरियन) को सौंप देता है।
उत्तर: LLM साक्ष्य पढ़ता है और उत्तर लिखता है। क्योंकि उसके सामने मानचित्र है, वह केवल अनुमान नहीं लगा सकता; उसे मानचित्र द्वारा दिखाए गए पथ का पालन करना ही होगा।

यह क्यों महत्वपूर्ण है: "मल्टी-हॉप" लाभ

पेपर एक विशिष्ट समस्या पर प्रकाश डालता है: मल्टी-हॉप रीजनिंग (बहु-चरणीय तर्क)।

पुराना तरीका (केवल टेक्स्ट): यदि आप एक मानक AI से पूछते हैं, "पीली पत्तियों के कारण होने वाले वायरस को क्या मारता है?", तो वह "वायरस" और "पीली पत्तियां" शब्दों को खोज सकता है। वह एक टेक्स्ट पा सकता है जिसमें इनका उल्लेख हो, लेकिन वह उस महत्वपूर्ण कड़ी को मिस कर सकता है कि इस विशिष्ट वायरस को एक विशिष्ट स्प्रे की आवश्यकता है। यह शीर्षक के बजाय किताब के कवर के रंग से किताब खोजने जैसा है।
नया तरीका (ग्राफ-ऑगमेंटेड): सिस्टम कनेक्शन की श्रृंखला का पालन करता है।
- चरण 1: पीली पत्तियां $\rightarrow$ तंबाकू मोज़ेक रोग।
- चरण 2: तंबाकू मोज़ेक रोग $\rightarrow$ एंटीवायरल एजेंटों की आवश्यकता है।
- परिणाम: यह सटीक उत्तर देने के लिए इन चरणों को एक साथ जोड़ता है।

परिणाम: एक स्पष्ट जीत

शोधकर्ताओं ने अपने सिस्टम का मानक AI मॉडलों के विरुद्ध परीक्षण किया।

मानक AI: लगभग 75% उत्तर सही दे पाया।
उनका सिस्टम (GraphRAG + ChatGLM): लगभग 90% उत्तर सही दे पाया।

सबसे बड़ा सुधार उन कठिन प्रश्नों में देखा गया जिनमें कई तथ्यों को जोड़ने की आवश्यकता थी (जैसे "मल्टी-हॉप" प्रश्न)। सिस्टम "हैलुसिनेशन" (नकली उपचार बनाना) से बचने में बहुत बेहतर था क्योंकि मानचित्र ने उत्तर की पुष्टि के लिए ठोस साक्ष्य प्रदान किए।

सारांश

संक्षेप में, यह पेपर एक ऐसी प्रणाली का वर्णन करता है जो AI को अनुमान लगाने से रोकती है, उसे तंबाकू खेती के ज्ञान का एक संरचित, जुड़ा हुआ मानचित्र देकर। AI को इस मानचित्र पर "सड़कों" (लक्षणों को रोगों से और रोगों को उपचारों से जोड़ना) का पालन करने के लिए मजबूर करके, यह एक मानक टेक्स्ट-खोजने वाले AI की तुलना में किसानों के लिए बहुत अधिक विश्वसनीय और सटीक सलाह प्रदान करता है।

तकनीकी सारांश: तंबाकू कीट और रोग प्रबंधन के लिए ग्राफ-संवर्धित तर्क (Graph-Augmented Reasoning)

समस्या विवरण

दक्षिणी चीन में तंबाकू उत्पादन कीटों और रोगों के महत्वपूर्ण खतरों का सामना कर रहा है, जो उपज और गुणवत्ता को खतरे में डालते हैं। प्रभावी प्रबंधन के लिए सटीक निदान और नियंत्रण उपायों के समय पर चयन की आवश्यकता होती है। हालांकि, वर्तमान प्रथाएं काफी हद तक खंडित विशेषज्ञ अनुभव और मैनुअल, विस्तार दिशानिर्देशों तथा शोध लेखों में बिखरे हुए ज्ञान पर निर्भर करती हैं। यह बिखराव हस्तक्षेपों को धीमा, असंगत और स्केल करने में कठिन बना देता है।

जबकि लार्ज लैंग्वेज मॉडल्स (LLMs) में मजबूत भाषा समझ होती है, वे अक्सर डोमेन-विशिष्ट तर्क (domain-specific reasoning) में संघर्ष करते हैं जब संबंधात्मक निर्भरताओं (relational dependencies) को स्पष्ट रूप से मॉडल नहीं किया जाता है। मानक प्रॉम्प्ट-आधारित ज्ञान इंजेक्शन नाजुक हो सकता है, और केवल टेक्स्ट-आधारित रिट्रीवल विधियां प्रासंगिक जानकारी तो प्रस्तुत कर सकती हैं, लेकिन वे जटिल निर्णय लेने के लिए आवश्यक विशिष्ट बहु-चरणीय संबंधों (जैसे, लक्षण-से-रोग-से-उपचार) को उजागर करने में विफल रहती हैं।

कार्यप्रणाली (Methodology)

यह शोध पत्र एक ग्राफ-संवर्धित तर्क (Graph-Augmented Reasoning) ढांचे का प्रस्ताव करता है जो GraphRAG प्रतिमान (paradigm) पर आधारित है और डोमेन-विशिष्ट ज्ञान को LLMs के साथ एकीकृत करता है। यह प्रणाली प्रतीकात्मक ज्ञान ग्राफ निर्माण (symbolic knowledge graph construction) को न्यूरल जनरेशन के साथ जोड़ती है।

1. नॉलेज ग्राफ निर्माण (Knowledge Graph Construction)

कृषि साहित्य, विस्तार दिशानिर्देशों और विशेषज्ञ-क्यूरेटेड संसाधनों से एक डोमेन-विशिष्ट नॉलेज ग्राफ बनाया गया है।

एंटिटीज (Entities): नोड्स प्रमुख कृषि अवधारणाओं का प्रतिनिधित्व करते हैं, जिनमें रोग, लक्षण, कीटनाशक और क्षेत्रीय संचालन शामिल हैं।
संबंध (Relations):: किनारे (Edges) टाइप किए गए संबंधों को एनकोड करते हैं जैसे कि treatment-of (का उपचार), has-symptom (का लक्षण है), और prevention-of (का रोकथाम)।
संरचना: ग्राफ को एक निर्देशित ग्राफ $G = (V, E)$ के रूप में मॉडल किया गया है, जहाँ तथ्यों को एम्बेडिंग और रिट्रीवल की सुविधा के लिए ट्रिपल्स $(h, r, t)$ के रूप में संग्रहीत किया जाता है।

2. ग्राफ रिप्रेजेंटेशन लर्निंग (Graph Representation Learning)

रिलेशनल सिमेंटिक्स और नेबरहुड कॉन्टेक्स्ट को कैप्चर करने के लिए, यह ढांचा दो-चरणीय एम्बेडिंग प्रक्रिया का उपयोग करता है:

TransE एम्बेडिंग्स: एंटिटीज और संबंधों को TransE का उपयोग करके एक साझा वेक्टर स्पेस में प्रारंभिक रूप से एम्बेड किया जाता है, जो संबंधों को ट्रांसलेशन ऑपरेशंस ( $h + r \approx t$ ) के रूप में मानता है। इसे वास्तविक तथ्यों को नकारात्मक नमूनों से अलग करने के लिए मार्जिन-आधारित रैंकिंग लॉस के माध्यम से प्रशिक्षित किया जाता है।
GCN रिफाइनमेंट: एक ग्राफ कनवल्शनल नेटवर्क (GCN) इन एम्बेडिंग्स को स्थानीय सबग्राफ पर सूचना प्रसारित करके परिष्कृत (refine) करता है। यह एंटिटी रिप्रेजेंटेशन को उनके स्वयं के गुणों और उनके संबंधात्मक संदर्भ (multi-hop dependencies) दोनों को एनकोड करने की अनुमति देता है, जिससे जुड़े हुए लक्षणों और नियंत्रण उपायों से सिग्नल एकत्रित होते हैं।

3. LLM एकीकरण और फ्यूजन (LLM Integration and Fusion)

जेनरेटिव बैकबोन एक ट्रांसफार्मर-आधारित LLM (विशेष रूप से ChatGLM) है, जिसे पैरामीटर दक्षता के लिए LoRA (लो-रैंक एडैप्टेशन) का उपयोग करके फाइन-ट्यून किया गया है।

रिट्रीवल (Retrieval): उपयोगकर्ता के प्रश्न के लिए, सिस्टम प्रासंगिक एंटिटीज की पहचान करता है, एक क्वेरी-केंद्रित सबग्राफ को रिट्रीव करता है, और GCN एकत्रीकरण के माध्यम से कॉन्टेक्स्ट-अवेयर रिप्रेजेंटेशन कंप्यूट करता है।
फ्यूजन (Fusion): क्वेरी एम्बेडिंग और रिट्रीव किए गए ग्राफ साक्ष्य (evidence) एम्बेडिंग्स को एक संवर्धित इनपुट ( $g_{input} = [e_d; g_d]$ ) बनाने के लिए संयोजित किया जाता है।
जनरेशन (Generation): LLM इस संवर्धित इनपुट पर अपने ऑटो-रिग्रेसिव जनरेशन को संचालित करता है, जिससे सेल्फ-अटेंशन मैकेनिज्म को ग्राफ-व्युत्पन्न साक्ष्य टोकन के साथ प्रश्न टोकन को संरेखित करने की अनुमति मिलती है। यह मॉडल को डोमेन-संगत सिफारिशों की ओर निर्देशित करता है और मतिभ्रम (hallucinations) को कम करता है।

मुख्य योगदान (Key Contributions)

स्पष्ट संबंधात्मक मॉडलिंग (Explicit Relational Modeling): यह ढांचा सतह-स्तर की टेक्स्ट समानता से आगे बढ़कर लक्षणों, रोगों और उपचारों के बीच निर्भरताओं को ग्राफ में लिंक्ड एंटिटीज के रूप में स्पष्ट रूप से मॉडल करता है।
हाइब्रिड आर्किटेक्चर: यह सफलतापूर्वक सिम्बोलिक रिलेशनल नॉलेज (GraphRAG, TransE और GCN के माध्यम से) को न्यूरल जनरेशन (ChatGLM + LoRA) के साथ जोड़ता है।
साक्ष्य-जागरूक रिट्रीवल (Evidence-Aware Retrieval): सिस्टम संरचित सबग्राफ को रिट्रीव करता है ताकि उत्तर जनरेशन के दौरान संबंधात्मक साक्ष्य प्रदान किया जा सके, जो विशेष रूप से मल्टी-हॉप संबंधों की श्रृंखला (chaining) को लक्षित करता है।

प्रयोगात्मक परिणाम (Experimental Results)

इस दृष्टिकोण का मूल्यांकन एक तंबाकू कीट-रोग प्रश्न-उत्तर डेटासेट पर किया गया जिसमें प्रत्यक्ष, मल्टी-हॉप और तुलनात्मक प्रश्न शामिल थे।

प्रदर्शन: GraphRAG + ChatGLM मॉडल ने सभी मेट्रिक्स में उच्चतम प्रदर्शन हासिल किया (सटीकता/Accuracy: 90.1%, परिशुद्धता/Precision: 92.3%, रिकॉल/Recall: 88.2%, F1-स्कोर: 90.2%)।
तुलनात्मक विश्लेषण:
- इसने बेसलाइन ChatGLM (75.2% सटीकता) और केवल नॉलेज ग्राफ एम्बेडिंग्स (KGE) या मानक टेक्स्ट-आधारित RAG का उपयोग करने वाले वेरिएंट्स को पछाड़ दिया।
- सबसे महत्वपूर्ण सुधार मल्टी-हॉप और तुलनात्मक तर्क वाले प्रश्नों पर देखे गए। इन कार्यों में, सही उत्तर के लिए कई संबंधों (लक्षण $\to$ रोग $\to$ उपचार) की श्रृंखला बनाना आवश्यक होता है, एक ऐसी क्षमता जहाँ केवल टेक्स्ट-आधारित रिट्रीवल आवश्यक बाधाओं (constraints) को पकड़ने में विफल रहता है।
त्रुटि विश्लेषण (Error Analysis): शेष त्रुटियां ग्राफ में लुप्त एंटिटीज/संबंधों या अस्पष्ट उपयोगकर्ता प्रश्नों के कारण थीं, जो कवरेज और एंटिटी लिंकिंग को वर्तमान बाधाओं के रूप में रेखांकित करती हैं।

महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि संबंधात्मक संरचना को स्पष्ट बनाना कृषि निर्णय सहायता प्रणालियों के लिए विश्वसनीय और डोमेन-संगत तर्क का समर्थन करने के लिए एक प्रभावी रणनीति है। ग्राफ-संवर्धित रिट्रीवल को LLMs के साथ एकीकृत करके, यह ढांचा संरचित साक्ष्य प्रदान करता है जो पैरामीट्रिक मेमोरी और सतह-स्तर के टेक्स्ट मिलान की सीमाओं से परे जाता है।

लेखक इस कार्य को स्केलेबल तंबाकू कीट प्रबंधन की दिशा में एक व्यावहारिक कदम के रूप में देखते हैं, जो यह प्रदर्शित करता है कि ग्राफ-संवर्धित तर्क नैदानिक और उपचार संबंधी सिफारिशों की सटीकता में महत्वपूर्ण सुधार कर सकता है, विशेष रूप से जटिल प्रश्नों के लिए जिनमें बहु-चरणीय तार्किक श्रृंखला (multi-step logical chaining) की आवश्यकता होती है। वे उल्लेख करते हैं कि भविष्य का कार्य ग्राफ और डेटासेट के पैमाने को बढ़ाने, अधिक मजबूत GNN एनकोडर्स को शामिल करने और अधिक सिद्धांत-आधारित फ्यूजन रणनीतियों का पता लगाने पर केंद्रित होगा।