LLM-GRec: Large Language Model Enhanced Graph Recommendation via Granular-Ball Computing

डिजिटल युग में, हम इतनी अधिक जानकारी से घिरे हुए हैं जिसे कोई भी मानव मस्तिष्क कभी भी संसाधित (process) नहीं कर सकता। इस बाढ़ के बीच रास्ता बनाने के लिए, हम व्यक्तिगत अनुशंसा प्रणालियों (personalized recommendation systems) पर भरोसा करते हैं, जो वे अदृश्य इंजन हैं जो सुझाव देते हैं कि कौन सी फिल्में देखनी हैं, कौन सी किताबें पढ़नी हैं, या कौन से उत्पाद खरीदने हैं। वर्षों से, ये प्रणालियाँ हमारे पिछले व्यवहार के पैटर्न को देखकर काम करती आई हैं, जो मूल रूप से यह पूछती हैं, "यदि आपको यह पसंद आया, तो आपको वह भी पसंद आ सकता है।" वे शक्तिशाली हैं, लेकिन वे अक्सर तब संघर्ष करती हैं जब डेटा कम होता है या जब वे किसी उपयोगकर्ता के विकल्पों के पीछे के गहरे अर्थ को नहीं समझ पाती हैं। हाल ही में, एक नया उपकरण दृश्य में आया है: लार्ज लैंग्वेज मॉडल्स (LLMs)। ये वही उन्नत कृत्रिम बुद्धिमत्ता (AI) प्रणालियाँ हैं जो कहानियाँ लिखने और जटिल प्रश्नों के उत्तर देने में सक्षम हैं। शोधकर्ताओं ने इनका उपयोग हमारे रुझानों के पीछे के "क्यों" को समझने के लिए करने का प्रयास शुरू कर दिया है, जिससे सरल पैटर्न से आगे बढ़कर मानवीय रुचि की वास्तविक समझ तक पहुँचने की उम्मीद है। हालाँकि, यह नया दृष्टिकोण अपनी समस्याओं का एक सेट भी लेकर आता है, मुख्य रूप से इसलिए क्योंकि ये AI प्रणालियाँ जो रुचियाँ उत्पन्न करती हैं, वे अव्यवस्थित, दोहराव वाली और कभी-कभी पूरी तरह से गलत हो सकती हैं।

चोंगकिंग यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस विशिष्ट समस्या को हल करने के लिए एक नई विधि विकसित की है, एक ऐसी प्रणाली बनाई है जिसे वे LLM-GRec कहते हैं। उनका लक्ष्य लार्ज लैंग्वेज मॉडल्स की गहरी समझ का लाभ उठाना था, बिना उनके द्वारा उत्पन्न शोर (noise) और त्रुटियों को अनुशंसा प्रक्रिया को खराब करने दिए। शोधकर्ताओं ने पाया कि जब ये AI मॉडल उपयोगकर्ता के इतिहास के आधार पर उनकी रुचियों का वर्णन करते हैं, तो आउटपुट अक्सर असंबद्ध शब्दों और वाक्यांशों की एक बिखरी हुई सूची जैसा दिखता है। इनमें से कुछ वाक्यांश रेडंडेंट (redundant) होते हैं, जो एक ही बात को अलग-अलग तरीकों से कहते हैं, जबकि अन्य 'हैलुसिनेशन' (hallucinations) होते हैं—अर्थात निर्मित रुचियाँ जो उपयोगकर्ता की वास्तव में कभी नहीं थीं। यदि कोई अनुशंसा प्रणाली इस अव्यवस्थित सूची का सीधे उपयोग करने का प्रयास करती है, तो वह भ्रमित हो जाती है और कम सटीक हो जाती है, विशेष रूप से तब जब डेटा बहुत कम हो।

इसे ठीक करने के लिए, शोधकर्ताओं ने 'ग्रैनुलर-बॉल कंप्यूटिंग' (granular-ball computing) नामक एक तकनीक पेश की। कल्पना कीजिए कि आप रेत के ढीले ढेर को कुछ ठोस, स्थिर ढेरों में व्यवस्थित करने की कोशिश कर रहे हैं। शोधकर्ताओं ने इस अवधारणा का उपयोग भाषा मॉडल द्वारा उत्पन्न बिखरे हुए, सूक्ष्म-स्तरीय (fine-grained) रुचि वाक्यांशों को एक साथ समूहबद्ध करने के लिए किया। उन्होंने समान विचारों को बड़े, अधिक स्थिर "एंकर" (anchors) में क्लस्टर किया। हर एक कीवर्ड को एक अलग, नाजुक सूचना के टुकड़े के रूप में मानने के बजाय, सिस्टम उन्हें मजबूत श्रेणियों में बांध देता है। यह प्रक्रिया रेडंडेंसी और शोर को फ़िल्टर करती है, जिससे उपयोगकर्ता वास्तव में किस बात की परवाह करता है, उसका एक स्पष्ट, संरचित मानचित्र पीछे रह जाता है। यह कीवर्ड्स की एक उलझी हुई सूची को रुचियों के एक विश्वसनीय सेट में बदल देता है जिस पर सिस्टम भरोसा कर सके।

एक बार जब ये स्थिर 'इंटरेस्ट एंकर्स' बन गए, तो शोधकर्ताओं ने एक एकीकृत मानचित्र बनाया जो उपयोगकर्ताओं, वस्तुओं और इन नए रुचि समूहों को जोड़ता है। उन्होंने इस मानचित्र से सीखने के लिए 'ग्राफ न्यूरल नेटवर्क' नामक एक प्रकार की कृत्रिम बुद्धिमत्ता का उपयोग किया। यह नेटवर्क केवल यह नहीं देखता कि किसने क्या खरीदा; यह वस्तुओं के अर्थपूर्ण संदर्भ (semantic meaning) और यह भी देखता है कि वे उपयोगकर्ता की नई व्यवस्थित रुचियों से कैसे संबंधित हैं। यह सुनिश्चित करने के लिए कि सिस्टम सटीक बना रहे, उन्होंने एक गुणवत्ता जांच जोड़ी। सिस्टम स्वचालित रूप से उन 'इंटरेस्ट एंकर्स' की पहचान करता है जो कमजोर हैं या डेटा द्वारा कम समर्थित हैं और सीखने की प्रक्रिया के दौरान उन्हें अस्थायी रूप से छिपा देता है। इन छिपे हुए हितों के अर्थ को आसपास के संदर्भ से पुनर्गठित करने के लिए सिस्टम को मजबूर करके, मॉडल खराब डेटा को अनदेखा करना और विश्वसनीय संकेतों पर ध्यान केंद्रित करना सीख जाता है। यह एक फिल्टर के रूप में कार्य करता है, जो सिस्टम को भाषा मॉडल द्वारा की जाने वाली आकस्मिक त्रुटियों से गुमराह होने से रोकता है।

टीम ने किताबों और फिल्मों से जुड़े तीन वास्तविक दुनिया के डेटासेट्स पर अपने नए फ्रेमवर्क का परीक्षण किया, जिसमें छोटे संग्रहों से लेकर डेटा के बड़े पुस्तकालय तक शामिल थे। परिणामों ने दिखाया कि उनकी विधि मौजूदा अनुशंसा तकनीकों से लगातार बेहतर प्रदर्शन करती है। यह प्रणाली विशेष रूप से उन स्थितियों में प्रभावी थी जहाँ डेटा विरल (sparse) था, जिसका अर्थ है जब उपयोगकर्ता ने पहले क्या पसंद किया था, उसके बहुत कम रिकॉर्ड थे। इन कठिन परिदृश्यों में, जहाँ अन्य प्रणालियाँ अक्सर अच्छे सुझाव देने में विफल रहती हैं, LLM-GRec उच्च सटीकता बनाए रखता है। शोधकर्ताओं ने यह भी पाया कि सिस्टम मजबूत (robust) था; यहाँ तक कि जब उन्होंने डेटा में त्रुटियों का अनुकरण करने के लिए जानबूझकर शोर (noise) डाला, तो यह विधि अपने प्रतिस्पर्धियों की तुलना में बेहतर बनी रही। लार्ज लैंग्वेज मॉडल्स की गहरी अर्थपूर्ण समझ को सूचना को व्यवस्थित करने के एक संरचित, शोर-प्रतिरोधी तरीके के साथ जोड़कर, शोधकर्ताओं ने यह समझने का एक अधिक विश्वसनीय तरीका बनाया है कि लोग क्या चाहते हैं, भले ही डेटा अधूरा या अव्यवस्थित क्यों न हो।