Hierarchy-Aware Semantic Losses for Knowledge Graph Link Prediction

आधुनिक विज्ञान के विशाल डिजिटल परिदृश्य में, जानकारी शायद ही कभी सरल सूचियों या सपाट फाइलों के रूप में संग्रहीत की जाती है। इसके बजाय, शोधकर्ता और कंप्यूटर तेजी से नॉलेज ग्राफ (ज्ञान ग्राफ) पर निर्भर होते जा रहे हैं, जो तथ्यों के विशाल, परस्पर जुड़े हुए जाल की तरह हैं। एक ऐसे वेब की कल्पना करें जहाँ प्रत्येक नोड एक चीज़ है—एक व्यक्ति, एक दवा, एक बीमारी, एक प्रोटीन—और उन्हें जोड़ने वाली प्रत्येक रेखा एक संबंध है, जैसे कि "उपचार करता है" या "कारण बनता है।" ये संरचनाएं मशीनों को डेटा के जटिल नेटवर्क में नेविगेट करने में मदद करती हैं, जिससे यह अनुमान लगाने में मदद मिलती है कि कौन सी नई दवा किसी विशिष्ट बीमारी के लिए काम कर सकती है। हालाँकि, ये वेब अक्सर संगठन के एक अन्य स्तर के साथ भी मौजूद होते हैं: अवधारणाओं का एक वंशावली वृक्ष (फैमिली ट्री)। जिस तरह एक जैविक प्रजाति एक वंश (जीनस) से संबंधित होती है, जो एक परिवार से संबंधित है, डिजिटल अवधारणाओं को अक्सर पदानुक्रमों में व्यवस्थित किया जाता है जहाँ एक श्रेणी एक व्यापक श्रेणी का एक विशिष्ट प्रकार होती है। यह पृष्ठभूमि संरचना इस बारे में मूल्यवान सुराग रखती है कि चीजें कैसे संबंधित हैं, लेकिन लंबे समय तक, इन वेबों को नेविगेट करने के लिए डिज़ाइन किए गए कंप्यूटर प्रोग्राम ने इन वंशावली वृक्षों को काफी हद तक अनदेखा किया है, केवल उन प्रत्यक्ष संबंधों पर ध्यान केंद्रित किया है जिन्हें वे देख सकते हैं।

चैलर्स यूनिवर्सिटी ऑफ टेक्नोलॉजी और यूनिवर्सिटी ऑफ गोथेनबर्ग के शोधकर्ताओं की एक टीम ने, कैम्ब्रिज विश्वविद्यालय के एक सहयोगी के साथ मिलकर, इसे बदलने का निर्णय लिया। उन्होंने एक सीधा सवाल पूछा: यदि हम इन कंप्यूटर प्रोग्रामों को सीखते समय अवधारणाओं के वंशावली वृक्षों का सम्मान करना सिखाते हैं, तो क्या वे लुप्त कड़ियों की भविष्यवाणी करने में बेहतर हो जाएंगे? शोधकर्ताओं ने एक नए दृष्टिकोण का परीक्षण तीन बहुत अलग डेटा सेटों पर किया: शैक्षणिक और संगठनात्मक तथ्यों का एक संग्रह, विकिपीडिया से लिया गया सामान्य ज्ञान का एक विशाल वेब, और दवाओं, बीमारियों और प्रोटीनों वाला एक जटिल जैविक नेटवर्क। उन्होंने अपने नए तरीके की तुलना मानक तरीके और एक पुराने तकनीक से की, जो मानचित्र में अतिरिक्त रेखाएं जोड़कर वंशावली वृक्ष को वेब में जबरन डालने का प्रयास करती थी।

परिणाम स्पष्ट और सुसंगत थे। एक विशेष गणितीय दंड (पेनल्टी) का उपयोग करके, जो कंप्यूटर की आंतरिक समझ को ज्ञात वंशावली वृक्षों से मेल खाने के लिए धीरे से प्रेरित करता है, शोधकर्ताओं ने लुप्त कड़ियों को खोजने की प्रणाली की क्षमता में महत्वपूर्ण सुधार किया। यह नया तरीका, जिसे वे "सिमेंटिक लॉस" (अर्थगत हानि) कहते हैं, वंशावली वृक्ष संबंधों को ग्राफ में अतिरिक्त कनेक्शन के रूप में जोड़ने वाले तरीके से बेहतर काम करता है। वास्तव में, जैविक डेटासेट पर, सुधार काफी बड़ा था, जिसने मानक दृष्टिकोण की तुलना में सिस्टम की सटीकता को पंद्रह प्रतिशत तक बढ़ा दिया। अन्य डेटासेट पर भी लाभ सकारात्मक थे, जो दो से आठ प्रतिशत के बीच थे। सबसे महत्वपूर्ण बात यह है कि सीखने के इस स्मार्ट तरीके ने इन परिणामों को प्राप्त करने के लिए उस पद्धति की तुलना में कम कंप्यूटर संसाधनों का उपयोग किया, जो मानचित्र में अतिरिक्त रेखाएं जोड़ती थी।

शोधकर्ताओं ने पाया कि इस दृष्टिकोण की सफलता काफी हद तक उपलब्ध वंशावली वृक्ष की गुणवत्ता और गहराई पर निर्भर करती है। जैविक डेटासेट, जिसमें दवाओं, बीमारियों और प्रोटीनों के लिए समृद्ध, विस्तृत पदानुक्रम शामिल थे, उसमें सबसे नाटकीय सुधार देखा गया। सामान्य ज्ञान वाले डेटासेट में, जिसका वंशावली वृक्ष उथला और कम पूर्ण था, अधिक मामूली लाभ दिखाई दिए। यह सुझाव देता है कि यह तकनीक हर जगह समान रूप से काम करने वाला कोई जादुई समाधान नहीं है, बल्कि एक शक्तिशाली उपकरण है जो सीखने की प्रक्रिया को निर्देशित करने के लिए गहरे, संरचित ज्ञान के होने पर चमकता है। यह अध्ययन प्रदर्शित करता है कि जब कंप्यूटरों को उनके द्वारा बनाए गए तार्किक संरचनाओं के साथ अपने आंतरिक मानचित्रों को संरेखित करने के लिए प्रोत्साहित किया जाता है, तो वे डेटा की जटिल दुनिया में नेविगेट करने में बहुत अधिक प्रभावी हो जाते हैं।

यह समझने के लिए कि यह कैसे काम करता है, व्यक्ति को यह देखना होगा कि ये सिस्टम कैसे सीखते हैं। पारंपरिक रूप से, एक कंप्यूटर पहले से दिखने वाले कनेक्शनों के पैटर्न का अध्ययन करके लुप्त कड़ियों की भविष्यवाणी करना सीखता है। यह प्रत्येक इकाई का एक सरलीकृत, संख्यात्मक प्रतिनिधित्व बनाता है, उन्हें एक आभासी स्थान में रखता है जहाँ समान चीजें पास में समाप्त होती हैं। समस्या यह है कि मार्गदर्शन के बिना, कंप्यूटर एक विशिष्ट प्रकार के कैंसर को "बीमारी" की सामान्य श्रेणी से बहुत दूर रख सकता है, भले ही हम जानते हों कि यह उसमें शामिल है। नया तरीका एक नियम पेश करता है कि, "यदि आप सोचते हैं कि A, B का एक प्रकार है, तो आपके आंतरिक मानचित्र को दिखाना चाहिए कि A, B के स्थान के भीतर है।" यह हर कदम पर कंप्यूटर के आंतरिक मानचित्र की जाँच करके और यदि पदानुक्रम का उल्लंघन होता है तो एक छोटा सुधार लागू करके ऐसा करता है। यह सुधार एक कठोर नियम नहीं है जो कंप्यूटर को आज्ञा मानने के लिए मजबूर करता है, बल्कि एक हल्का दबाव है जो इसे एक ऐसा समाधान खोजने के लिए प्रोत्साहित करता है जो देखे गए कनेक्शनों और तार्किक वंशावली वृक्षों दोनों को संतुष्ट करता है।

टीम ने यह सुनिश्चित करने के लिए कि उनके निष्कर्ष मजबूत हैं, तीन अलग-अलग डेटासेट पर इसका परीक्षण किया। पहला, AIFB, लोगों, परियोजनाओं और संगठनों के बारे में तथ्यों का एक छोटा संग्रह है। दूसरा, CoDEx, विकिपीडिया से लिया गया एक विशाल, बहु-डोमेन ग्राफ है, जो मनोरंजन से लेकर विज्ञान तक सब कुछ कवर करता है। तीसरा, BioKG, एक विशेष जैविक नेटवर्क है जो कार्यों, बीमारियों, दुष्प्रभावों, प्रोटीनों और दवाओं को जोड़ता है। इनमें से प्रत्येक डेटासेट का अपना अनूठा वंशावली वृक्ष संरचना थी, जो सरल सूचियों से लेकर गहरे, जटिल पदानुक्रमों तक फैली हुई थी। शोधकर्ताओं ने अपने नए तरीके की तुलना दो अन्य दृष्टिकोणों से की: एक मानक मॉडल जो वंशावली वृक्षों को पूरी तरह से अनदेखा करता है, और एक मॉडल जिसने ग्राफ में अतिरिक्त कनेक्शन जोड़कर वृक्षों को शामिल करने का प्रयास किया।

परिणामों ने दिखाया कि नया तरीका सभी क्षेत्रों में दोनों प्रतिस्पर्धियों से बेहतर प्रदर्शन करता है। जैविक डेटासेट पर, नए दृष्टिकोण ने मानक मॉडल की तुलना में लिंक भविष्यवाणियों की सटीकता में पंद्रह प्रतिशत का सुधार किया। शैक्षणिक डेटासेट पर, सुधार लगभग आठ प्रतिशत था, और सामान्य ज्ञान के डेटासेट पर यह लगभग ढाई प्रतिशत था। महत्वपूर्ण रूप से, नया तरीका अतिरिक्त कनेक्शन जोड़ने वाले दृष्टिकोण को भी हरा गया। वास्तव में, अतिरिक्त कनेक्शन जोड़ने से कभी-कभी प्रदर्शन खराब हो गया, विशेष रूप से जैविक डेटासेट पर, संभवतः इसलिए क्योंकि इसने ग्राफ को बहुत अधिक जानकारी से भर दिया जो लुप्त कड़ियों को खोजने के विशिष्ट कार्य में सीधे मदद नहीं करती थी। इसके विपरीत, नए तरीके ने ग्राफ को साफ रखा और वंशावली वृक्ष का उपयोग एक भौतिक जुड़ाव के बजाय एक मार्गदर्शक सिद्धांत के रूप में किया।

शोधकर्ताओं ने यह भी देखा कि कंप्यूटर की आंतरिक समझ समय के साथ कैसे बदलती है। उन्होंने "लॉस" (हानि), या इस बात के माप को ट्रैक किया कि कंप्यूटर वंशावली वृक्षों का कितनी अच्छी तरह से सम्मान कर रहा है, जबकि वह सीख रहा था। उन्होंने पाया कि यह माप लगातार कम होता गया, जिसका अर्थ है कि कंप्यूटर सफलतापूर्वक अपने आंतरिक मानचित्र को तार्किक पदानुक्रमों के साथ संरेखित करना सीख रहा था। हालाँकि, सुधार की गति और विस्तार डेटा के प्रकार के आधार पर भिन्न हुआ। जैविक श्रेणियों, जिनमें गहरे और विस्तृत पदानुक्रम थे, ने सबसे महत्वपूर्ण संरेखण दिखाया। साइड-इफेक्ट (दुष्प्रभाव) श्रेणियों ने, जो अधिक जटिल और विविध थीं, अधिक उतार-चढ़ाव दिखाया। यह इंगित करता है कि यह विधि तब सबसे प्रभावी होती है जब अंतर्निहित वंशावली वृक्ष अच्छी तरह से परिभाषित और सुसंगत होते हैं।

सबसे व्यावहारिक निष्कर्षों में से एक यह था कि सीखने का यह स्मार्ट तरीका अधिक कुशल भी था। ग्राफ में अतिरिक्त कनेक्शन जोड़ने वाले तरीके को विशेष रूप से बड़े जैविक डेटासेट पर काफी अधिक कंप्यूटर मेमोरी और प्रोसेसिंग पावर की आवश्यकता थी। नए तरीके ने, जिसने वंशावली वृक्ष का उपयोग एक भौतिक जुड़ाव के बजाय एक मार्गदर्शक नियम के रूप में किया, कम संसाधनों के साथ बेहतर परिणाम प्राप्त किए। यह दक्षता महत्वपूर्ण है क्योंकि इसका अर्थ है कि इस तकनीक को उन कंप्यूटर प्रणालियों को अभिभूत किए बिना और भी बड़े और अधिक जटिल नेटवर्क तक बढ़ाया जा सकता है जो उन्हें चलाते हैं।

अध्ययन यह निष्कर्ष निकालता है कि सीखने की प्रक्रिया में तार्किक पदानुक्रमों को शामिल करना जटिल डेटा को समझने के तरीके को बेहतर बनाने का एक शक्तिशाली तरीका है। यह सुझाव देता है कि कंप्यूटर को दुनिया की संरचना के बारे में सिखाने का सबसे अच्छा तरीका केवल उसे कनेक्शन दिखाना नहीं है, बल्कि उसे उन नियमों की याद दिलाना भी है जो उन कनेक्शनों को नियंत्रित करते हैं। ऐसा करके, कंप्यूटर डेटा का अधिक सटीक और विश्वसनीय मानचित्र बनाता है, जो लुप्त चीजों के बारे में बेहतर भविष्यवाणी करने में सक्षम है। यह दृष्टिकोण डेटा की आवश्यकता को प्रतिस्थापित नहीं करता है, बल्कि यह इस बात को बढ़ाता है कि डेटा का उपयोग कैसे किया जाता है, जिससे तथ्यों के एक साधारण वेब को एक संरचित, तार्किक प्रणाली में बदल दिया जाता है जो ज्ञान को व्यवस्थित करने के मानवीय तरीकों को दर्शाता है। इनके निष्कर्ष चिकित्सा से लेकर वैज्ञानिक अनुसंधान तक के क्षेत्रों में अधिक बुद्धिमान सिस्टम बनाने के लिए एक स्पष्ट मार्ग प्रदान करते हैं, जहाँ चीजों के बीच संबंधों को समझना महत्वपूर्ण है।