The Graph Language: How Knowledge Graphs Speak to Large Language Models
यह शोध पत्र GRALAN को प्रस्तुत करता है, जो एक प्रशिक्षित भाषा मध्यस्थ (language mediator) है जो संरचना-संरक्षण संबंधी रिलेशनल टोकन (structure-preserving relational tokens) के माध्यम से नॉलेज ग्राफ्स को लार्ज लैंग्वेज मॉडल्स के साथ सीधे संवाद करने में सक्षम बनाता है, जिससे प्रश्न-उत्तर को प्रश्न-केंद्रित सबग्राफ्स पर एंटिटी क्लासिफिकेशन के रूप में पुनर्निर्धारित करके जटिल मल्टी-हॉप रीजनिंग कार्यों पर प्रदर्शन को महत्वपूर्ण रूप से बढ़ाया जाता 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
कल्पना कीजिए कि आप एक अत्यंत प्रतिभाशाली, कल्पनाशील कहानीकार को एक विशाल, प्राचीन पुस्तकालय में रास्ता खोजने के तरीके सिखाने की कोशिश कर रहे हैं। उस कहानीकार को, जिसे हम "LLM" (लार्ज लैंग्वेज मॉडल) कह सकते हैं, शब्दों को समझने, कहानियाँ बुनने और किसी वाक्य के अर्थ को समझने में अद्भुत महारत हासिल है। वे इतिहास से लेकर विज्ञान तक किसी भी विषय पर चर्चा कर सकते हैं। हालाँकि, उनकी एक कमजोरी है: कभी-कभी वे विवरणों में खो जाते हैं या तथ्य बना लेते हैं क्योंकि वे मानचित्र के बजाय स्मृति (मेमोरी) पर भरोसा करते हैं। कमरे के दूसरी ओर ही वह पुस्तकालय है जिसे "नॉलेज ग्राफ" (KG) के रूप में व्यवस्थित किया गया है। यह केवल किताबों का ढेर नहीं है; यह एक विशाल, जटिल जाल है जहाँ प्रत्येक तथ्य एक नोड (बिंदु) है और प्रत्येक संबंध एक रेखा है। यह सटीक तथ्य खोजने के लिए एकदम सही है, जैसे कि "इस व्यक्ति का पिता कौन है?" या "इन दो शहरों को क्या जोड़ता है?" लेकिन पुस्तकालय एक बहुत ही सख्त, गणितीय भाषा बोलता है जो वे स्वाभाविक रूप से नहीं समझते।
लंबे समय से, वैज्ञानिक इन दोनों को एक-दूसरे से बात करने के लिए प्रेरित करने की कोशिश कर रहे हैं। सामान्य तरीका यह था कि पुस्तकालय के जटिल जाल को एक लंबी, अव्यवस्थित वाक्यों की सूची में बदलकर उसे कहानीकार को थमा दिया जाता था। समस्या यह थी कि इस "फ्लैटनिंग" (सपाट करने) की प्रक्रिया में, आप वेब का आकार खो देते हैं। आप यह बोध खो देते हैं कि चीजें आपस में कैसे जुड़ी हुई हैं; कहानीकार भ्रमित हो जाता है। मुख्य सवाल जिसका यह शोध पत्र समाधान करता है, वह यह है: क्या हम पुस्तकालय को कहानीकार की भाषा बोलना सिखा सकते हैं बिना उसका आकार खोए? क्या हम बिंदुओं और रेखाओं को बिना उन्हें एक उबाऊ सूची में बदले, सीधे AI के मस्तिष्क तक पहुँचा सकते हैं?
शोध पत्र का बड़ा विचार: द ग्राफ लैंग्वेज (ग्राफ की भाषा)
यह शोध पत्र GRALAN (द ग्राफ लैंग्वेज) नामक एक नया ढांचा पेश करता है। GRALAN को एक जादुई अनुवादक या एक "भाषा मध्यस्थ" के रूप में समझें जो पुस्तकालय और कहानीकार के बीच बैठा है। पुस्तकालय के वेब को वाक्यों की एक अव्यवस्थित सूची में बदलने के बजाय, GRALAN पुस्तकालय को "रिलेशनल टोकन" (संबंधात्मक संकेत) में बोलना सिखाता है। ये विशेष, सीखे हुए संकेत हैं जो कनेक्शनों (जैसे "पिता है" या "काम करता है") के सटीक आकार और अर्थ को सीधे कहानीकार के मस्तिष्क में ले जाते हैं।
यह इस प्रकार काम करता है:
- जासूसी कार्य: जब आप एक प्रश्न पूछते हैं जैसे, "किन अमेरिकी राष्ट्रपतियों ने अपने पिता के पदचिन्हों का अनुसरण किया?", तो सिस्टम पूरे पुस्तकालय को नहीं देखता। यह एक जासूस की तरह काम करता है, विशिष्ट सुराग (सीड एंटिटीज) खोजता है और फिर एक विशेष खोज एल्गोरिदम का उपयोग करके केवल उस वेब के प्रासंगिक हिस्से (सबग्राफ) को बाहर निकालता है जो उस प्रश्न के लिए महत्वपूर्ण है। यह शोर को अनदेखा कर देता है, जैसे कि राष्ट्रपति का पसंदीदा रंग या वेतन, और केवल "पिता" और "पद धारण किया" वाले संबंधों पर ध्यान केंद्रित करता है।
- अनुवादक: यहीं GRALEN चमकता है। यह उस विशिष्ट सुराग वाले वेब को विशेष टोकन के एक संरचित अनुक्रम में बदल देता है। यह ऐसा है जैसे पुस्तकालय कहानीकार को एक ऐसा नक्शा सौंप रहा है जहाँ सड़कें और चौराहे उस भाषा में खींचे गए हैं जिसे कहानीकार पहले से ही पढ़ना जानता है, लेकिन वह नक्शा वास्तविक दुनिया के सटीक ज्यामिति (शेप) को भी बनाए रखता है।
- तर्क (रीजनिंग): कहानीकार (LLM) इस विशेष मानचित्र को पढ़ता है। क्योंकि मानचित्र संरचना को सुरक्षित रखता है, इसलिए कहानीकार अपने शक्तिशाली तर्क कौशल का उपयोग करके उत्तर निकाल सकता है। अनुमान लगाने या कोई नाम बनाने के बजाय, सिस्टम इस प्रश्न को "मानचित्र से सही बिंदु चुनने" के खेल के रूप में देखता है। यह उम्मीदवारों (जैसे जॉर्ज डब्ल्यू. बुश, जिनके पिता राष्ट्रपति थे) को देखता है और अभी-अभी पढ़ी गई संरचना के आधार पर सही विकल्प चुनता है।
उन्होंने क्या पाया
लेखकों ने कुछ बहुत ही कठिन पहेलियों, विशेष रूप से उन प्रश्नों पर इस विचार का परीक्षण किया जिनमें "मल्टी-हॉप रीजनिंग" (बहु-चरणीय तर्क) की आवश्यकता होती है। इसका अर्थ है कि आपको उत्तर खोजने के लिए कनेक्शन की एक श्रृंखला का पालन करना होगा (जैसे, A का संबंध B से है, और B का संबंध C से है, तो A का C से क्या संबंध है?)।
- परिणाम: प्रयोगों में, GRALAN एक विजेता साबित हुआ। दो या तीन चरणों के तर्क वाले जटिल पहेलियों पर, इसने अन्य तरीकों की तुलना में काफी बेहतर प्रदर्शन किया। उदाहरण के लिए, 'PathQuestion-Large' नामक डेटासेट पर, इसने तीन-चरणीय तर्क के लिए पिछले सर्वश्रेष्ठ तरीके की तुलना में सटीकता में लगभग 15.7% का सुधार किया। यहाँ तक कि लाखों तथ्यों वाले डेटासेट (Wikidata) पर भी, इसने उस समय उपलब्ध सबसे शक्तिशाली AI मॉडलों (जैसे GPT-4) को मात दी, भले ही GRALAN एक थोड़ा छोटा मॉडल (FLAN-T5-XXL) उपयोग कर रहा था।
- "नो-ट्रेनिंग" का तरीका: GRALAN की एक प्रमुख विशेषता यह है कि यह कहानीकार (LLM) को स्थिर (frozen) रखता है। यह AI को शुरू से सब कुछ फिर से नहीं सिखाने की कोशिश करता है, जिससे कंप्यूटर की शक्ति की भारी बचत होती है और यह AI को उसके पहले से ज्ञात ज्ञान को "भूलने" से रोकता है। इसके बजाय, यह केवल अनुवादक (मध्यस्थ) को बोलना सिखाता है।
- यह क्या खारिज करता है: शोध पत्र स्पष्ट रूप से ग्राफ को टेक्स्ट सूचियों में "फ्लैटन" करने के पुराने तरीके का विरोध करता है, यह दिखाते हुए कि इस पद्धति में बहुत अधिक जानकारी खो जाती है। यह यह भी सुझाव देता है कि AI को चरण-दर-चरण (पुनरावृत्ति अन्वेषण) सोचने के लिए कहना कम कुशल और कम सटीक है, बजाय इसके कि उसे एक साथ एक संरचित मानचित्र दिया जाए।
यह क्यों महत्वपूर्ण है
यह शोध पत्र सुझाव देता है कि इस नए संरचनात्मक संरेखण (structural alignment) के माध्यम से नॉलेज ग्राफ को बड़े मॉडलों की भाषा में सीधे बोलने की अनुमति देकर, हम ऐसे AI बना सकते हैं जो तथ्यात्मक रूप से सटीक और रचनात्मक रूप से स्मार्ट दोनों हों। यह केवल सही उत्तर पाने के बारे में नहीं है; यह इसे इस तरह से करने के बारे में है जो तथ्यों की संरचना का सम्मान करता है, जिससे AI द्वारा मनगढ़ंत बातें बनाने (hallucinations) की संभावना कम हो जाती है। लेखक दिखाते हैं कि यह दृष्टिकोण AI को स्मार्ट और अधिक विश्वसनीय बनाने के लिए एक नया और आशाजनक मार्ग है, विशेष रूप से जटिल, वास्तविक दुनिया के ज्ञान से निपटने के मामले में।
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।