DuoKGQA: A Novel Dual-Module Framework for Cypher Query Generation in Knowledge Graph Question Answering

आधुनिक दुनिया के विशाल डिजिटल पुस्तकालय में, सूचना आश्चर्यजनक दर से बढ़ रही है, जो अक्सर जटिल वेबसाइटों, डेटाबेस और दस्तावेजों में दबी होती है। एक छात्र के लिए यह जानने की कोशिश करने में कि क्या कोई विशिष्ट विश्वविद्यालय कार्यक्रम एक निश्चित ग्रेड स्वीकार करता है, या एक अभिभावक के लिए छात्रवृत्ति की समय सीमा खोजने में, उत्तर आमतौर पर वहीं होता है, लेकिन उसे खोजने के लिए लिंक और बारीक अक्षरों के भूलभुलैया को पार करना पड़ता है। यहीं पर प्रश्न-उत्तर (क्वेश्चन अनswering) का क्षेत्र काम आता है, जो एक मनुष्य के स्वाभाविक प्रश्न और कंप्यूटर के संरचित डेटा के बीच के अंतर को पाटने का प्रयास करता है। इस काम के लिए सबसे शक्तिशाली उपकरण 'नॉलेज ग्राफ' (ज्ञान ग्राफ) हैं, जो भूगोल के मानचित्र नहीं, बल्कि तथ्यों के विशाल, परस्पर जुड़े हुए जाल हैं। एक विशाल मकड़ी के जाल की कल्पना करें जहाँ हर गांठ एक विशिष्ट चीज़ है, जैसे कि एक विश्वविद्यालय का पाठ्यक्रम, और उन्हें जोड़ने वाला हर धागा एक संबंध है, जैसे कि "लागत" या "आवश्यकता"। जब कोई व्यक्ति प्रश्न पूछता है, तो एक अच्छा सिस्टम केवल कीवर्ड्स की खोज नहीं करता; वह इस वेब के धागों का पीछा करता है ताकि उस सटीक गांठ तक पहुँचा जा सके जिसमें उत्तर छिपा है। हालाँकि, एक अव्यवस्थित, मानवीय वाक्य को इस वेब को नेविगेट करने के लिए आवश्यक सटीक निर्देशों में अनुवाद करना लंबे समय से एक कठिन चुनौती रही है, विशेष रूप से जब प्रश्नों में अर्थ के सूक्ष्म अंतर या विशिष्ट शैक्षणिक विवरण शामिल हों।

शोधकर्ताओं यू ली चोंग, चिन पू ली और कियान मिंग लिम ने इस विशिष्ट समस्या को हल करने के लिए DuoKGQA नामक एक नया सिस्टम विकसित किया है। उनका कार्य उपयोगकर्ताओं को विश्वविद्यालय कार्यक्रमों के बारे में प्रश्न पूछने में मदद करने पर केंद्रित है, जैसे कि ट्यूशन फीस, प्रवेश आवश्यकताएं, या करियर की संभावनाएं, और तुरंत सटीक उत्तर प्राप्त करना। इसे करने के लिए, उन्होंने एक विश्वविद्यालय के लिए एक विशेष नॉलेज ग्राफ बनाया है, जो 852 अलग-अलग सूचनाओं, जैसे कि प्रोग्राम के नाम और संकाय विवरण, को एक हजार से अधिक संबंधों के साथ जोड़ता है। उनकी नवीनता का मूल आधार एक दो-भाग वाला इंजन है जिसे यह समझने के लिए डिज़ाइन किया गया है कि उपयोगकर्ता क्या पूछ रहा है और फिर उस डिजिटल वेब के भीतर सही उत्तर ढूँढना है। सब कुछ एक साथ करने के बजाय, जिससे अक्सर भ्रम होता है, उन्होंने कार्य को दो अलग-अलग चरणों में विभाजित किया है: पहले, प्रश्न के प्रकार को समझना, और दूसरा, चर्चा किए जा रहे विशिष्ट कार्यक्रम की पहचान करना।

सिस्टम का पहला भाग एक क्लासिफायर (वर्गीकारक) के रूप में कार्य करता है। जब कोई उपयोगकर्ता प्रश्न टाइप करता है, तो सिस्टम पहले उस प्रश्न की श्रेणी निर्धारित करता है। क्या उपयोगकर्ता डिग्री की लागत, पाठ्यक्रम की अवधि, या आवेदन की समय सीमा के बारे में पूछ रहा है? यह निर्णय लेने के लिए, सिस्टम उन्नत भाषा मॉडलों का उपयोग करता है जो प्रश्न को पढ़ते हैं और उसके संदर्भ को समझते हैं, ठीक वैसे ही जैसे एक मनुष्य इरादे को समझने के लिए एक वाक्य को पढ़ता है। शोधकर्ताओं ने पाया कि दो अलग-अलग प्रकार के डीप लर्निंग मॉडलों को संयोजित करके, वे वर्गीकरण के इस चरण में बहुत उच्च स्तर की सटीकता प्राप्त कर सकते हैं। एक मॉडल विचारों के प्रवाह को समझने के लिए पूरे वाक्य को देखने में विशेष रूप से अच्छा है, जबकि दूसरा विशिष्ट स्थानीय पैटर्न और विवरणों को पहचानने में उत्कृष्ट है। इन दोनों मॉडलों को उत्तर पर वोट करने की अनुमति देकर, सिस्टम ने प्रश्न के प्रकार को सही ढंग से पहचानने में लगभग 95 प्रतिशत की सटीकता प्राप्त की। यह चरण महत्वपूर्ण है क्योंकि यह कंप्यूटर को बताता है कि अगले चरण के लिए किस टेम्पलेट का उपयोग करना है, जिससे यह सुनिश्चित होता है कि अंतिम उत्तर सही ढंग से संरचित हो।

एक बार जब सिस्टम जान जाता है कि वह किस प्रकार के प्रश्न के साथ काम कर रहा है, तो वह दूसरे भाग की ओर बढ़ता है: विशिष्ट कार्यक्रम का नाम खोजना। विश्वविद्यालय के परिवेश में, उपयोगकर्ता किसी पाठ्यक्रम को कई अलग-अलग तरीकों से संदर्भित कर सकते हैं, शायद एक संक्षिप्त नाम, एक उपनाम, या वेबसाइट पर आधिकारिक नाम से थोड़ा अलग वाक्यांश का उपयोग करके। सिस्टम उपयोगकर्ता के शब्दों की तुलना 91 आधिकारिक कार्यक्रम नामों की सूची से करने के लिए एक परिष्कृत मिलान उपकरण (मैचिंग टूल) का उपयोग करता है। यह उपयोगकर्ता के प्रश्न और आधिकारिक नामों दोनों को उनके अर्थ के गणितीय निरूपणों में परिवर्तित करता है, जिससे यह समान न होने पर भी निकटतम मिलान खोजने में सक्षम होता है। यह प्रक्रिया अत्यधिक कुशल है, जो सूची को स्कैन करने और सही कार्यक्रम की पहचान करने में केवल एक सेकंड के अंश का समय लेती है। यदि प्रश्न छात्रवृत्ति जैसे सामान्य विषय के बारे में है जो सभी पर लागू होता है, तो इस चरण को छोड़ दिया जाता है, लेकिन विशिष्ट पाठ्यक्रम संबंधी पूछताछ के लिए, यह सटीक पहचान सुनिश्चित करती है कि सिस्टम सही डेटा खोज रहा है।

शोधकर्ताओं ने 11,000 से अधिक विभिन्न प्रश्नों के साथ अपने सिस्टम का परीक्षण किया, जिनमें सरल पूछताछ से लेकर विशिष्ट प्रवेश आवश्यकताओं के बारे में जटिल अनुरोध शामिल थे। परिणामों ने दिखाया कि दो-भाग वाला दृष्टिकोण उन पिछले तरीकों की तुलना में काफी अधिक प्रभावी था जो वर्गीकरण और पहचान को एक साथ संभालने की कोशिश करते थे। सिस्टम ने उत्तर प्राप्त करने के लिए सटीक कंप्यूटर निर्देश सफलतापूर्वक उत्पन्न किए, जो लगभग 89 प्रतिशत मामलों में सफल रहा, जो पिछले मॉडलों की तुलना में एक उल्लेखनीय सुधार है जो शैक्षणिक भाषा की बारीकियों के साथ संघर्ष करते थे। प्रश्न के प्रकारों को वर्गीकृत करने के विशिष्ट कार्य में, सिस्टम 94.6 प्रतिशत बार सही था। यह अध्ययन इस बात पर प्रकाश डालता है कि एक जटिल समस्या को छोटे, प्रबंधनीय टुकड़ों में तोड़कर और प्रत्येक के लिए विशेष उपकरणों का उपयोग करके, सिस्टम शैक्षणिक डेटा के जटिल जाल को उस स्तर की सटीकता के साथ नेविगेट कर सकता है जो पहले प्राप्त करना कठिन था।

यह कार्य प्रदर्शित करता है कि उच्च शिक्षा जैसे विशिष्ट डोमेन के लिए, एक 'वन-साइज़-फिट्स-ऑल' समाधान के बजाय एक अनुकूलित दृष्टिकोण बेहतर काम करता है। शोधकर्ताओं ने केवल एक ऐसा सिस्टम नहीं बनाया जो अनुमान लगाता है; उन्होंने एक मजबूत ढांचा तैयार किया जो शैक्षणिक प्रश्नों की संरचना और कार्यक्रमों एवं उनके विवरणों के बीच के विशिष्ट संबंधों को समझता है। हालांकि यह सिस्टम पूर्ण नहीं है और अभी भी बहुत समान शब्दावली वाले या जटिलता के कई स्तरों वाले प्रश्नों के साथ संघर्ष कर सकता है, फिर भी यह प्राकृतिक बातचीत के माध्यम से विश्वविद्यालय की जानकारी को सुलभ बनाने की दिशा में एक महत्वपूर्ण कदम है। DuoKGQA की सफलता यह सुझाव देती है कि भविष्य के सिस्टम अधिक जटिल प्रश्नों को संभालने के लिए बनाए जा सकते हैं, जो संभावित रूप से विश्वविद्यालयों से आगे बढ़कर अन्य क्षेत्रों में भी विस्तार कर सकते हैं जहाँ सही उत्तर खोजने के लिए सटीक, संरचित ज्ञान आवश्यक है।