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

Na vasta biblioteca digital do mundo moderno, a informação cresce a uma taxa impressionante, muitas vezes enterrada em sites, bancos de dados e documentos complexos. Para um estudante tentando descobrir se um programa universitário específico aceita uma determinada nota, ou para um pai procurando prazos de bolsas de estudo, a resposta geralmente está lá, mas encontrá-la exige navegar por um labirinto de links e letras miúdas. É aqui que o campo do questionamento de respostas (question answering) entra, tentando preencher a lacuna entre a pergunta natural de um humano e os dados estruturados de um computador. As ferramentas mais poderosas para este trabalho são os grafos de conhecimento, que não são mapas de geografia, mas sim massas interconectadas de fatos. Imagine uma teia de aranha gigante onde cada nó é algo específico, como um curso universitário, e cada fio que os conecta é um relacionamento, como "custa" ou "requer". Quando uma pessoa faz uma pergunta, um bom sistema não apenas procura por palavras-chave; ele rastreia os fios desta teia para encontrar o nó exato que contém a resposta. No entanto, traduzir uma frase humana desordenada em as instruções precisas necessárias para navegar nesta teia tem sido, há muito tempo, um desafio difícil, especialmente quando as perguntas envolvem diferenças sutis de significado ou detalhes acadêmicos específicos.

Os pesquisadores You Li Chong, Chin Poo Lee e Kian Ming Lim desenvolveram um novo sistema chamado DuoKGQA para resolver este problema específico dentro do mundo acadêmico. O trabalho deles foca em ajudar usuários a fazerem perguntas sobre programas universitários, como taxas de matrícula, requisitos de entrada ou perspectivas de carreira, e receberem respostas precisas instantaneamente. Para fazer isso, eles construíram um grafo de conhecimento especializado para uma universidade, conectando 852 peças distintas de informação, como nomes de programas e detalhes de faculdades, com mais de mil relacionamentos. O núcleo de sua inovação é um motor de duas partes projetado para entender o que um usuário está perguntando e, em seguida, encontrar a resposta certa dentro dessa teia digital. Em vez de tentar fazer tudo de uma vez, o que frequentemente leva à confusão, eles dividiram a tarefa em dois passos distintos: primeiro, descobrir o tipo de pergunta e, segundo, identificar o programa específico de que se está falando.

A primeira parte do sistema atua como um classificador. Quando um usuário digita uma pergunta, o sistema primeiro determina a categoria dessa pergunta. O usuário está perguntando sobre o custo de um diploma, a duração do curso ou o prazo de inscrição? Para tomar essa decisão, o sistema utiliza modelos de linguagem avançados que leem a pergunta e entendem seu contexto, de forma muito semelhante a um humano lendo uma frase para compreender sua intenção. Os pesquisadores descobriram que, ao combinar dois tipos diferentes de modelos de aprendizado profundo, eles poderiam alcançar um nível muito alto de precisão nesta etapa de classificação. Um modelo é particularmente bom em observar a frase inteira para entender o fluxo de ideias, enquanto o outro é excelente em detectar padrões locais e detalhes específicos. Ao permitir que esses dois modelos votem na resposta, o sistema atingiu uma precisão de quase 95 por cento em identificar corretamente o tipo de pergunta. Este passo é crucial porque diz ao computador qual modelo usar para a próxima fase, garantindo que a resposta final seja estruturada corretamente.

Uma vez que o sistema sabe que tipo de pergunta está lidando, ele passa para a segunda parte: encontrar o nome do programa específico. Em um ambiente universitário, os usuários podem se referir a um curso de muitas maneiras diferentes, talvez usando uma abreviação, um apelido ou uma frase ligeiramente diferente do nome oficial no site. O sistema utiliza uma ferramenta de correspondência sofisticada para comparar as palavras do usuário contra uma lista de 91 nomes oficiais de programas. Ele converte tanto a pergunta do usuário quanto os nomes oficiais em representações matemáticas de seu significado, permitindo que encontre a correspondência mais próxima mesmo que as palavras não sejam idênticas. Este processo é altamente eficiente, levando apenas uma fração de segundo para escanear a lista e identificar o programa correto. Se a pergunta for sobre um tópico geral como bolsas de estudo que se aplica a todos, este passo é pulado, mas para consultas de cursos específicos, esta identificação precisa garante que o sistema procure os dados corretos.

Os pesquisadores testaram seu sistema com mais de 11.000 perguntas diferentes, variando de consultas simples a solicitações complexas sobre requisitos de entrada específicos. Os resultados mostraram que a abordagem de duas partes foi significativamente mais eficaz do que os métodos anteriores que tentavam lidar com classificação e identificação simultaneamente. O sistema gerou com sucesso as instruções de computador corretas para recuperar a resposta em quase 89 por cento de todos os casos, uma melhoria marcante sobre modelos anteriores que lutavam com as nuances da linguagem acadêmica. Na tarefa específica de classificar tipos de perguntas, o sistema estava correto 94,6 por cento das vezes. O estudo destaca que, ao dividir um problema complexo em partes menores e gerenciáveis e usar ferramentas especializadas para cada uma, o sistema pode navegar pela intrincada teia de dados acadêmicos com um nível de precisão que era anteriormente difícil de alcançar.

Este trabalho demonstra que, para domínios especializados como o ensino superior, uma abordagem personalizada funciona melhor do que uma solução única para todos. Os pesquisadores não construíram apenas um sistema que adivinha; eles construíram uma estrutura robusta que entende a estrutura das consultas acadêmicas e os relacionamentos específicos entre programas e seus detalhes. Embora o sistema não seja perfeito e ainda possa ter dificuldades com perguntas que possuem redações muito semelhantes ou múltiplas camadas de complexidade, ele representa um passo significativo à frente em tornar a informação universitária acessível através da conversa natural. O sucesso do DuoKGQA sugere que sistemas futuros podem ser construídos para lidar com perguntas ainda mais intrincadas, potencialmente expandindo-se além das universidades para outros campos onde o conhecimento preciso e estruturado é essencial para encontrar a resposta certa.