SA-RGLP: Syntax-Aware Residual Graph Label Propagation with LLM Soft Priors for Metaphor Detection

भाषा एक जीवित चीज़ है जो अक्सर पहेलियों में बात करती है। जब कोई लेखक कहता है कि एक छात्र ने एक कठिन विचार को "पकड़ा" (grasped) है, तो वे किसी ठोस वस्तु को पकड़ने के लिए हाथ बंद करने का भौतिक वर्णन नहीं कर रहे होते हैं। वे एक रूपक (metaphor) का उपयोग कर रहे हैं, जो एक संज्ञानात्मक शॉर्टकट है जहाँ हम एक चीज़ को समझने के लिए दूसरी की भाषा उधार लेते हैं। कंप्यूटरों के लिए, जो भाषा को डेटा की स्ट्रिंग्स के रूप में प्रोसेस करते हैं, ये पहेलियाँ हल करना बेहद कठिन होता है। एक मशीन आसानी से पहचान सकती है कि "grasp" का सामान्य अर्थ किसी उपकरण को पकड़ना है, लेकिन उसे यह समझने में संघर्ष करना पड़ता है कि कब उसी शब्द का अर्थ बदलकर एक अमूर्त समझ (abstract understanding) को दर्शाने लगा है। यह कठिनाई महत्वपूर्ण है क्योंकि रूपक केवल काव्य संबंधी सजावट नहीं हैं; वे मौलिक हैं कि मनुष्य कैसे सोचते हैं, महसूस करते हैं और संवाद करते हैं। यदि एक कंप्यूटर एक वास्तविक पकड़ (literal grip) और एक मानसिक पकड़ (mental grip) के बीच अंतर नहीं कर सकता, तो वह एक कहानी, एक समाचार रिपोर्ट या एक बातचीत को वास्तव में नहीं समझ सकता।

वर्षों से, शोधकर्ता कंप्यूटरों को इन छिपे हुए अर्थों को पहचानने के लिए सिखाने का प्रयास कर रहे हैं। अधिकांश विधियों ने प्रत्येक वाक्य को एक अलग द्वीप की तरह माना है, जो लक्ष्य शब्द के इर्द-गिर्द के शब्दों का विश्लेषण करके यह तय करती हैं कि उसका उपयोग रूपक के रूप में किया जा रहा है या नहीं। हालांकि यह सरल मामलों में पर्याप्त काम करता है, लेकिन यह बड़ी तस्वीर को छोड़ देता है। रूपक यादृच्छिक दुर्घटनाएं नहीं हैं; वे पैटर्न का पालन करते हैं। जिस तरह से हम "समझने" के अर्थ में "grasp" शब्द का उपयोग करते हैं, वह हजारों अलग-अलग वाक्यों में एक आवर्ती विषय है। केवल एक समय में एक वाक्य को देखकर, कंप्यूटर उनके बीच के संबंधों को खो देते हैं। इसके अलावा, जबकि बड़े भाषा मॉडल—विशाल मात्रा में टेक्स्ट पर प्रशिक्षित शक्तिशाली एआई सिस्टम—शब्दों के उपयोग के बारे में गहरा ज्ञान रखते हैं, वे अक्सर मानवीय मार्गदर्शन के बिना विशिष्ट, पेचीदा मामलों पर उस ज्ञान को लगातार लागू करने में संघर्ष करते हैं।

शिंजियांग विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस अंतर को पाटने के लिए एक नया दृष्टिकोण विकसित किया है, जिसे वे SA-RGLP कहते हैं। हर वाक्य को एक अलग पहेली के रूप में देखने के बजाय, उनका सिस्टम वाक्यों के पूरे संग्रह को एक एकल, जुड़े हुए मानचित्र के रूप में देखता है। एक विशाल पुस्तकालय की कल्पना करें जहाँ प्रत्येक पुस्तक एक वाक्य है। पारंपरिक विधियाँ एक पुस्तक पढ़ती हैं, उसे बंद करती हैं, और अगली पर बढ़ जाती हैं। हालाँकि, यह नई प्रणाली गलियारों में चलती है, यह देखते हुए कि "एक अवधारणा को पकड़ने" (grasping a concept) वाली पुस्तक उसी शेल्फ पर रखी है जहाँ "एक उपकरण को पकड़ने" (grasping a tool) वाली पुस्तक है, और "एक रस्सी को पकड़ने" (grasping a rope) वाली पुस्तक भी पास में ही है। इन विभिन्न उपयोगों के बीच संबंध को देखकर, सिस्टम किसी विशिष्ट संदर्भ में शब्द का अर्थ समझने के बारे में बहुत स्मार्ट अनुमान लगा सकता है।

प्रक्रिया स्वयं वाक्य के सावधानीपूर्वक, चरण-दर-चरण विश्लेषण के साथ शुरू होती है। सिस्टम पहले लक्ष्य शब्द और उसके तत्काल परिवेश को देखता है, व्याकरण और शब्दों की विशिष्ट भूमिकाओं पर बारीकी से ध्यान देता है। यह पूछता है: क्या शब्द द्वारा वर्णित भौतिक क्रिया उस अमूर्त विचार के साथ टकराती है जिसके साथ उसे जोड़ा गया है? यदि एक छात्र एक अवधारणा को "पकड़ता" (grasps) है, तो सिस्टम पकड़ने की भौतिक क्रिया और विचार की अमूर्त प्रकृति के बीच के तनाव को नोट करता है। यह प्रारंभिक जाँच एक पहला अनुमान उत्पन्न करती है, लेकिन शोधकर्ता जानते थे कि यह स्थानीय दृश्य अक्सर निश्चित होने के लिए पर्याप्त नहीं था।

इस अनुमान को बेहतर बनाने के लिए, सिस्टम बुद्धि की दूसरी परत लाता है: एक जानकार सलाहकार के रूप में कार्य करने वाला एक बड़ा भाषा मॉडल (large language model)। यह सलाहकार केवल "हाँ" या "नहीं" का सरल उत्तर नहीं देता है। इसके बजाय, यह साक्ष्यों को तौलता है और एक सूक्ष्म संभावना प्रदान करता है, जैसे कि, यह कहना कि पचहत्तर प्रतिशत संभावना है कि शब्द का उपयोग रूपक के रूप में किया जा रहा है और पच्चीस प्रतिशत संभावना है कि यह शाब्दिक है। यह "सॉफ्ट" सलाह उस अनिश्चितता को संरक्षित करती है जो मानव भाषा में इतनी आम है, बजाय इसके कि बहुत जल्दी एक कठोर निर्णय लिया जाए।

सबसे महत्वपूर्ण नवाचार, हालाँकि, तीसरे चरण में होता है। सिस्टम द्वारा विश्लेषित किए गए सभी वाक्यों को लेकर वह एक वैश्विक नेटवर्क बनाता है, उन्हें उनके अर्थों की समानता के आधार पर जोड़ता है। यदि एक वाक्य "grasp" का उपयोग "समझने" के लिए करता है और दूसरा "पकड़ने" के लिए, तो सिस्टम उस लिंक को पहचान लेता है। फिर यह 'रेसिडुअल ग्राफ लेबल प्रोपेगेशन' (residual graph label propagation) नामक प्रक्रिया का उपयोग करके इस नेटवर्क में सूचना साझा करता है। इसे एक समूह के लोगों द्वारा रहस्य सुलझाने की तरह समझें; यदि एक व्यक्ति अनिश्चित है, तो वह सुरागों के लिए अपने पड़ोसियों की ओर देखता है। यदि पड़ोसियों के पास मजबूत साक्ष्य हैं, तो वह साक्ष्य संदेह को स्पष्ट करने में मदद करता है। इस डिजिटल नेटवर्क में, सिस्टम स्पष्ट उदाहरणों के आत्मविश्वासी भविष्यवाणियों को अस्पष्ट उदाहरणों की अनिश्चित भविष्यवाणियों को धीरे से प्रेरित करने की अनुमति देता है। यह प्रारंभिक अनुमान को मिटाता नहीं है बल्कि उसे परिष्कृत करता है, पूरे डेटासेट के सामूहिक ज्ञान का उपयोग करके त्रुटियों को सुधारता है।

शोधकर्ताओं ने तीन अलग-अलग डेटा सेटों पर इस पद्धति का परीक्षण किया, जो कुछ सौ वाक्यों के छोटे संग्रह से लेकर हजारों उदाहरणों वाले विशाल डेटासेट तक विस्तृत हैं। परिणाम आश्चर्यजनक थे। छोटे डेटा सेटों पर, सिस्टम ने अच्छा प्रदर्शन किया, लेकिन बड़े, अधिक जटिल डेटा सेटों पर, इसने पिछले तरीकों से काफी बेहतर प्रदर्शन किया। इसने इस क्षेत्र में उपयोग किए जाने वाले दो प्रमुख बेंचमार्क के लिए अब तक के उच्चतम सटीकता स्कोर प्राप्त किए। अध्ययन ने दिखाया कि स्थानीय व्याकरण की गहरी समझ, एक बड़े भाषा मॉडल के व्यापक ज्ञान और वाक्यों के बीच क्रॉस-कनेक्शन की शक्ति को जोड़कर, सिस्टम रूपकों का पता उस स्तर की सटीकता के साथ लगा सकता है जो अलग-थलग विधियों के लिए संभव नहीं था।

महत्वपूर्ण रूप से, शोधकर्ताओं ने यह भी परीक्षण किया कि क्या होता है जब वे इस सिस्टम के इन विभिन्न हिस्सों को हटा देते हैं। जब उन्होंने वाक्यों के बीच कनेक्शन देखने की क्षमता को हटा दिया, तो सिस्टम का प्रदर्शन तेजी से गिर गया, जिससे सिद्ध हुआ कि वैश्विक मानचित्र आवश्यक था। जब उन्होंने बड़े भाषा मॉडल से सूक्ष्म सलाह को हटाया, तो सिस्टम कम सटीक हो गया, जिससे पता चला कि बाहरी ज्ञान एक महत्वपूर्ण पूरक है। अध्ययन ने निष्कर्ष निकाला कि एक रूपक को समझने का सबसे अच्छा तरीका केवल एक शब्द को शून्य में देखना नहीं है, बल्कि इसे मानवीय अभिव्यक्ति के एक विशाल, परस्पर जुड़े जाल के हिस्से के रूप में देखना है। यह दृष्टिकोण प्राकृतिक भाषा प्रसंस्करण (natural language processing) के क्षेत्र को इस बात की सच्ची समझ के करीब ले जाता है कि मनुष्य अर्थ बनाने के लिए भाषा का उपयोग कैसे करते हैं।