💻 computer science

Graph Query Generation with Constraint-guided Large Language Agents

यह शोध पत्र UniQGen को प्रस्तुत करता है, जो एक नवीन बाधा-निर्देशित (constraint-guided) ढांचा है जो नॉलेज ग्राफ क्वेश्चन आंसरिंग के लिए उच्च-गुणवत्ता वाली, निष्पादन योग्य (executable) साइफर (Cypher) क्वेरी उत्पन्न करने हेतु LLM एजेंटों और एक विस्तारित चेज़ एंड बैकचेज़ (Chase & Backchase) एल्गोरिदम का लाभ उठाता है, जिसके लिए फाइन-ट्यूनिंग की आवश्यकता नहीं है, जिससे यह सटीकता और दक्षता में अत्याधुनिक तरीकों से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Mengying Wang, Nicolaas Jedema, Rahul Pandey, RaviKiran Krishnan, Jens Lehmann, Yinghui Wu

प्रकाशित 2026-05-05

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mengying Wang, Nicolaas Jedema, Rahul Pandey, RaviKiran Krishnan, Jens Lehmann, Yinghui Wu

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

कल्पना कीजिए कि आपके पास तथ्यों का एक विशाल, अविश्वसनीय रूप से विस्तृत पुस्तकालय (एक नॉलेज ग्राफ) है। आप इससे अंग्रेजी में एक सवाल पूछना चाहते हैं, जैसे "कौन सी दवाएं टेटनी (tetany) का इलाज करती हैं?" या "किन अमेरिकी शहरों ने फरवरी में ओलंपिक की मेजबानी की थी?"

समस्या यह है कि यह पुस्तकालय अपने डेटा को संग्रहीत करने के लिए दो बहुत अलग "भाषाओं" का उपयोग करता है: एक सख्त, संरचित फाइलिंग सिस्टम (RDF/SPARQL) की तरह है और दूसरा लचीले, जुड़े हुए नोट्स के जाल (Property Graphs/Cypher) की तरह है। अधिकांश कंप्यूटर प्रोग्राम केवल एक ही भाषा बोल पाते हैं। यदि आप अंग्रेजी में सवाल पूछते हैं, तो कंप्यूटर अक्सर भ्रमित हो जाता है, ऐसे तथ्य बना देता है जो मौजूद ही नहीं हैं (hallucinations), या महत्वपूर्ण विवरण भूल जाता है (जैसे कि क्या कोई दवा वास्तव में उपयोग के लिए स्वीकृत है)।

यूनिकजेन (UniQGen) से मिलिए: "स्मार्ट ट्रांसलेटर" सुरक्षा जाल के साथ

इस शोध पत्र के लेखकों ने UniQGen नामक एक नया सिस्टम बनाया है। इसे केवल एक अनुवादक के रूप में न सोचें जो केवल अनुमान लगाता है, बल्कि एक जासूसी टीम के रूप में सोचें जो अंतिम रिपोर्ट लिखने से पहले एक पहेली को सुलझाती है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. "कन्स्ट्रेंट टेबल" (सुराग बोर्ड)

सीधे डेटाबेस को क्वेरी करने के लिए आवश्यक जटिल कोड लिखने के बजाय, UniQGen पहले एक जासूस की तरह एक कॉर्कबोर्ड पर सुराग रखने जैसा काम करता है।

सुराग (The Clues): यह आपके प्रश्न को छोटे तथ्यों में तोड़ देता है (जैसे, "दवा", "इलाज करती है", "टेटनी")।
छिपे हुए सुराग (The Hidden Clues): यह उन "प्रैग्मैटिक" (व्यावहारिक) सुरागों को भी जोड़ता है जो आपने कहे नहीं हैं लेकिन जो निहित हैं। उदाहरण के लिए, यदि आप किसी दवा के बारे में पूछते हैं, तो सिस्टम जानता है कि आपका मतलब संभवतः एक अनुमोदित (approved) दवा से है, न कि किसी काल्पनिक दवा से।
कॉन्फिडेंस स्कोर (The Confidence Score): प्रत्येक सुराग को एक "कॉन्फिडेंस स्कोर" दिया जाता है। यदि कोई सुराग अस्पष्ट है (जैसे "कोई भी दवा"), तो उसे कम स्कोर मिलता है। यदि वह विशिष्ट है (जैसे "FDA-अनुमोदित"), तो उसे उच्च स्कोर मिलता है।

2. "चेज़" चरण (जाल को ढीला करना)

कल्पना कीजिए कि आप मछलियों (उत्तरों) को पकड़ने के लिए एक मछली पकड़ने का जाल फेंकते हैं।

समस्या: आपका प्रारंभिक जाल बहुत तंग हो सकता है। आपने शायद एक नियम शामिल कर लिया है जो कहता है "केवल शीतकालीन ओलंपिक," लेकिन आपका प्रश्न केवल "ओलंपिक" था। आप कुछ भी नहीं पकड़ पाते क्योंकि आपका जाल बहुत छोटा है।
समाधान (Chase): सिस्टम सभी सुरागों के साथ एक सुपर-टाइट जाल के साथ शुरू होता है। यदि यह कुछ भी नहीं पकड़ता (या सही उत्तरों को छोड़ देता है), तो यह व्यवस्थित रूप से एक बार में एक सुराग हटाकर जाल को ढीला करता है। यह तब तक जाल को ढीला करता रहता है जब तक कि यह कम से कम सही उत्तरों को न पकड़ ले। यह सुनिश्चित करता है कि यह किसी भी महत्वपूर्ण चीज़ को मिस न करे (पूर्णता/Completeness)।

3. "बैकचेज़" चरण (जाल को कसना)

अब, आपका जाल इतना ढीला है कि यह सही मछलियों को पकड़ सके, लेकिन यह बहुत सारा कचरा (गलत उत्तर) भी पकड़ रहा है।

समस्या: आपके पास एक जाल है जो "सभी ओलंपिक" को पकड़ता है, लेकिन आप केवल "शीतकालीन ओलंपिक" चाहते थे।
समाधान (Backchase): सिस्टम अब पीछे की ओर काम करता है। यह ढीले जाल से शुरू होता है और कचरे को बाहर निकालने के लिए एक-एक करके सुराग वापस जोड़ने की कोशिश करता है। यह सुराग जोड़ना तब रोकता है जैसे ही इसे एहसास होता है कि, "यदि मैं यह एक और नियम जोड़ता हूँ, तो मैं फिर से सही उत्तरों को खोने लगूँगा।" यह सुनिश्चित करता है कि अंतिम उत्तर सटीक हो और इसमें कचरा शामिल न हो (सत्यता/Soundness)।

4. "रेंडरर" (भाषा बोलना)

एक बार जब जासूसी टीम सुरागों का सही सेट (लॉजिक) समझ लेती है, तो सिस्टम उस लॉजिक को उस विशिष्ट भाषा में अनुवाद करता है जिसे डेटाबेस समझता है।

जादू: क्योंकि अनुवाद से पहले ही लॉजिक को समझ लिया गया था, इसलिए UniQGen दोनों भाषाओं (SPARQL और Cypher) को समान रूप से अच्छी तरह से बोल सकता है। इसे हर बार नए भाषा को सीखने या "सिखाने" की आवश्यकता नहीं होती; यह बस अंतिम रिपोर्ट के लहजे (dialect) को बदल देता है।

यह एक बड़ी बात क्यों है?

"स्कूली शिक्षा" की आवश्यकता नहीं: अधिकांश AI सिस्टम को हर नए डेटाबेस के लिए भारी मात्रा में डेटा पर "पढ़ाए जाने" (fine-tuned) की आवश्यकता होती है। UniQGen "ट्रेनिंग-फ्री" है। यह अपने जासूसी तर्क का उपयोग करके चलते-फिरते चीजों को समझ लेता है।
कोई "लॉक-इन" नहीं: कंपनियाँ अक्सर एक प्रकार के डेटाबेस का उपयोग करने में फंस जाती हैं क्योंकि स्विच करना बहुत कठिन होता है। UniQGen डेटाबेस के सिंटैक्स के बजाय, आपके प्रश्न के इरादे (intent) को समझकर इस लॉक-इन को तोड़ देता है।
बेहतर उत्तर: अपने परीक्षणों में, UniQGen पिछले तरीकों की तुलना में सही उत्तर खोजने में बहुत बेहतर था, विशेष रूप से उन जटिल प्रश्नों के लिए जिनमें कई बिंदुओं को जोड़ने की आवश्यकता होती है (multi-hop reasoning)। इसने मानक परीक्षणों पर सटीकता में काफी सुधार किया।

संक्षेप में:
UniQGen एक स्मार्ट, अनुकूलन योग्य एजेंट है जो पहले सुरागों में तोड़कर यह समझता है कि आपका वास्तविक अर्थ क्या है, फिर यह सही उत्तरों को पकड़ने और गलत उत्तरों को छानने के बीच सही संतुलन बनाने के लिए "ढीला और कसने" की रणनीति का उपयोग करता है, और यह सब बिना हर नए डेटाबेस के लिए पुन: प्रशिक्षित हुए किया जाता है।

तकनीकी सारांश: UniQGen – बाधा-निर्देशित (Constraint-guided) लार्ज लैंग्वेज एजेंटों के साथ ग्राफ क्वेरी जनरेशन

समस्या विवरण

नॉलेज ग्राफ क्वेश्चन आंसरिंग (KGQA) पारंपरिक रूप से दो अलग-थलग प्रतिमानों (paradigms) में विभाजित रहा है: रिसोर्स डिस्क्रिप्शन फ्रेमवर्क (RDF) मॉडल जिसे SPARQL के माध्यम से क्वेरी किया जाता है, और लेबलड प्रॉपर्टी ग्राफ (LPG) मॉडल जिसे Cypher या Gremlin के माध्यम से क्वेरी किया जाता है। यह अलगाव एक "ग्राफ-मॉडल लॉक-इन" प्रभाव पैदा करता है, जहाँ एक विशिष्ट प्रतिमान के प्रति संगठनात्मक प्रतिबद्धता क्वेरी भाषाओं और टूलचेन तक फैल जाती है, जिससे माइग्रेशन महंगा हो जाता है। जबकि लार्ज लैंग्वेज मॉडल्स (LLMs) ने ग्राफ क्वेरी उत्पन्न करने में आशाजनक परिणाम दिखाए हैं, औद्योगिक परिनियोजन (deployment) चार महत्वपूर्ण चुनौतियों का सामना करता है:

भ्रम/विसंगति (Hallucination/Misalignment): LLMs अक्सर ऐसे सिंटैक्टिक रूप से वैध क्वेरी उत्पन्न करते हैं जो अंतर्निहित नॉलेज ग्राफ (KG) के स्कीमा या टोपोलॉजी से मेल नहीं खाते।
लुप्त व्यावहारिक बाधाएं (Missing Pragmatic Constraints): उत्पन्न क्वेरी अक्सर उपयोगकर्ता के निहित इरादों (जैसे, केवल किसी भी ड्रग के बजाय "अनुमोदित दवाओं" के लिए फ़िल्टर करना) को पकड़ने में विफल रहती है।
उच्च रखरखाव लागत: मौजूदा विधियां स्कीमा-विशिष्ट फाइन-ट्यूनिंग पर बहुत अधिक निर्भर करती हैं, जिससे वे भंगुर (brittle) हो जाती हैं जब स्कीमा विकसित होता है या जब नए KGs में माइग्रेट किया जाता है।
एकीकृत समाधानों का अभाव: अधिकांश बेंचमार्क और विधियाँ एक एकल क्वेरी भाषा (आमतौर पर SPARQL) पर ध्यान केंद्रित करती हैं, जिससे बिना रिट्रेनिंग के एकीकृत, क्रॉस-लैंग्वेज जनरेशन (जैसे, Cypher) के लिए एक अंतर रह जाता है।

कार्यप्रणाली: UniQGen फ्रेमवर्क

लेखक UniQGen का प्रस्ताव करते हैं, जो एक ट्रेनिंग-मुक्त, स्कीमा-अज्ञेय (schema-agnostic) फ्रेमवर्क है जो नेचुरल लैंग्वेज (NL) क्वेरी को Chase & Backchase एल्गोरिदम के एक वेरिएंट पर आधारित बाधा-निर्देशित दृष्टिकोण का उपयोग करके निष्पादनीय ग्राफ क्वेरी (Cypher या SPARQL) में परिवर्तित करता है। यह फ्रेमवर्क तीन प्राथमिक चरणों के माध्यम से संचालित होता है जिसे LLM एजेंटों द्वारा व्यवस्थित किया जाता है:

1. क्वेरी-केंद्रित तथ्य निष्कर्षण (Query-Centric Fact Extraction)

एक NL क्वेरी $Q_n$ और एक KG $G$ दिए जाने पर, सिस्टम पहले उल्लेखित नोड्स की पहचान करने के लिए एंटिटी लिंकिंग करता है। इसके बाद यह इन संस्थाओं के $k$ -हॉप पड़ोस (neighborhoods) को एकत्रित करके एक स्थानीय सबग्राफ $G'$ प्रेरित करता है। यह सबग्राफ बाद के बाधा निष्कर्षण के लिए तथ्यात्मक संदर्भ के रूप में कार्य करता है।

2. CTable निर्माण

एजेंट $a_1$ एक कन्स्ट्रेंट टेबल (CTable) का निर्माण करता है, जो एक भाषा-अज्ञेय अमूर्तता (abstraction) है जिसमें शामिल हैं:

टाइप्ड ट्रिपल पैटर्न (Typed Triple Patterns): संस्थाओं के बीच संबंध।
वैल्यू कंस्ट्रेंट्स (Value Constraints): लिटरल पर फ़िल्टर (जैसे, $x > c$ )।
स्ट्रक्चरल कंस्ट्रेंट्स (Structural Constraints): जॉइन्स, बाउंडेड पाथ्स, आदि।
महत्वपूर्ण रूप से, एजेंट इस टेबल को निहित/व्यावहारिक बाधाओं (जैसे, Approved=True) के साथ बढ़ाता है जो क्वेरी संदर्भ से प्राप्त होती हैं। प्रत्येक बाधा $c_i$ को KG में इसके मैच काउंट के आधार पर एक अनिश्चितता स्कोर $u_i \in [0, 1]$ दिया जाता है, जो खोज प्रक्रिया को निर्देशित करता है। तार्किक हेरफेर को सुगम बनाने के लिए CTable को एक मोनोटोन कोर (monotone core) में सामान्यीकृत किया जाता है।

3. LLM-सहायता प्राप्त Chase & Backchase लूप

एजेंट $a_2$ LLM-पूर्णता (सभी संदर्भ उत्तरों को कवर करना) और LLM-सत्यता (अप्रासंगिक उत्तरों को बाहर करना) के बीच संतुलन बनाने के लिए एक बीम सर्च रणनीति का उपयोग करते हुए दो-चरणीय खोज निष्पादित करता है:

क्वेरी चेज़ चरण (Relaxation): एक "यूनिवर्सल क्वेरी" ( $Q_U$ ) के साथ शुरू करते हुए जिसमें सभी बाधाएं शामिल हैं, सिस्टम एक बार में एक बाधा को तब तक हटाता है जब तक कि क्वेरी संदर्भ उत्तर सेट $A$ (जो एक LLM ओरेकल द्वारा प्रदान किया गया है) को कवर करने में विफल नहीं रहती। यह सापेक्ष पूर्णता सुनिश्चित करता है।
क्वेरी बैकचेज़ चरण (Tightening): $Q_U$ के सब-क्वेरीज़ से शुरू करते हुए, सिस्टम बिना किसी रेडंडेंसी के संदर्भ सेट को संतुष्ट करने के लिए बाधाओं को वापस जोड़ता है, जिससे एक "मिनिमल क्वेरी" ( $Q_M$ ) प्राप्त होती है, जो सापेक्ष सत्यता और न्यूनता (minimality) सुनिश्चित करती है।
रेंडरिंग (Rendering): अंतिम लॉजिकल प्लान को एक प्लगेबल रेंडरर के माध्यम से लक्षित क्वेरी भाषा (Cypher या SPARQL) में रेंडर किया जाता है।

यह फ्रेमवर्क ऑफलाइन ट्रेनिंग के बजाय संदर्भ उत्तर सेट $A$ के विरुद्ध रनटाइम वैलिडेशन पर निर्भर करता है, जिससे यह न्यूनतम कॉन्फ़िगरेशन (जैसे, सिनोनिम लिस्ट अपडेट करना) के साथ स्कीमा ड्रिफ्ट और नए KGs के अनुकूल बन जाता है।

मुख्य योगदान

डिप्लॉयमेंट-फ्रेंडली यूनिफाइड पाइपलाइन: UniQGen बाधा निष्कर्षण, CTable निर्माण, और Chase & Backchase रिफाइनमेंट को एक एकल पाइपलाइन में एकीकृत करता है जो बिना फाइन-ट्यूनिंग के स्कीमा-लेस KGQA के लिए व्याकरणिक रूप से सही और अर्थपूर्ण क्वेरी उत्पन्न करता है।
बाधा-आधारित पुनर्गठन (Constraint-Based Reformulation): लेखक ग्राफ क्वेरी जनरेशन के लिए Chase & Backchase एल्गोरिदम को अनुकूलित करते हैं, जो बीम सर्च के माध्यम से उम्मीदवार बाधाओं का पता लगाने के लिए LLM एजेंटों का उपयोग करता है और सापेक्ष पूर्णता और सत्यता गारंटी लागू करता है।
संसाधन और मूल्यांकन: लेखकों ने Amazon Neptune पर समर्थित एक Freebase ग्राफ तैनात किया जो Cypher और SPARQL दोनों का समर्थन करता है। उन्होंने एक क्यूरेटेड Freebase स्नैपशॉट, एक-चरण परिनियोजन रेसिपी, और लोकप्रिय SPARQL बेंचमार्क (GraphQ, GrailQA, WebQSP) के साथ संरेखित गोल्ड Cypher पेयर्स जारी किए हैं ताकि पुनरुत्पादनीय (reproducible), क्रॉस-लैंग्वेज अनुसंधान को सुगम बनाया जा सके।

प्रयोगात्मक परिणाम

इस फ्रेमवर्क का मूल्यांकन तीन मानक बेंचमार्क पर किया गया: GraphQ, GrailQA, और WebQSP।

प्रदर्शन: UniQGen ने सटीकता और दक्षता दोनों में स्टेट-ऑफ-द-आर्ट बेसलाइन्स (Pangu और ArcaneQA सहित) को पछाड़ दिया।
- GraphQ पर, UniQGen ने सर्वश्रेष्ठ बेसलाइन पर 31.6% का F1 गेन हासिल किया।
- GrailQA पर, इसने 4.9% का F1 गेन प्राप्त किया।
- इसने लो-रिसोर्स सेटिंग्स (GraphQ) और मल्टी-हॉप क्वेरीज़ में बेहतर प्रदर्शन प्रदर्शित किया, जहाँ ट्रेनिंग-आधारित विधियाँ अक्सर खराब प्रदर्शन करती हैं।
क्रॉस-लैंग्वेज क्षमता: फ्रेमवर्क ने उच्च-गुणवत्ता वाली Cypher क्वेरी सफलतापूर्वक उत्पन्न की, जो एक ऐसा डोमेन है जो SPARQL द्वारा संचालित KGQA बेंचमार्क में कम खोजा गया है।
दक्षता: ट्रेनिंग-आधारित सिस्टमों के विपरीत जिन्हें दिनों के फाइन-ट्यूनिंग की आवश्यकता होती है, UniQGen में शून्य ट्रेनिंग लागत है। यह ~40 सेकंड प्रति क्वेरी का औसत जनरेशन लेटेंसी प्राप्त करता है, जिसमें मिनिमल प्लान्स 0.3 सेकंड (P50) से कम में निष्पादित होते हैं।
मजबूती (Robustness): सिस्टम ने प्रोडक्शन-स्टाइल बाधाओं (टाइमआउट, समवर्ती अनुरोधों) के तहत स्थिर प्रदर्शन बनाए रखा और बेसलाइन्स की तुलना में जटिल मल्टी-हॉप क्वेरीज़ पर क्रमिक गिरावट (graceful degradation) दिखाई।

महत्व और दावे

पेपर का दावा है कि UniQGen "भाषा लॉक-इन" को कम करने के लिए एक एकीकृत, ट्रेनिंग-मुक्त दृष्टिकोण प्रदान करके अकादमिक KGQA समाधानों और औद्योगिक आवश्यकताओं के बीच के महत्वपूर्ण अंतर को संबोधित करता है। LLM एजेंटों के साथ Chase & Backchase एल्गोरिदम का लाभ उठाकर, फ्रेमवर्क एक संदर्भ उत्तर सेट के संबंध में सत्यता और पूर्णता की सापेक्ष गारंटी प्रदान करता है, जिसके लिए महंगे स्कीमा-विशिष्ट प्रशिक्षण की आवश्यकता नहीं है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण विशेष रूप से एंटरप्राइज-ग्रेड KGQA के लिए उपयुक्त है जहाँ स्कीमा बड़े, गतिशील या प्रोप्रायटरी (स्कीमा-लेस) होते हैं, और जहाँ बिना रिट्रेनिंग के क्वेरी भाषाओं (जैसे, Cypher बनाम SPARQL) के बीच स्विच करने की क्षमता आवश्यक है। पुनरुत्पादनीय, एकीकृत KGQA का समर्थन करने के लिए Neptune-रेडी Freebase स्नैपशॉट और क्रॉस-लैंग्वेज बेंचमार्क का रिलीज किया जाना अपेक्षित है।