GRAG: التوليد المعزز باسترجاع الرسوم البيانية

بينما يعزز التوليد المعزز بالاسترجاع (RAG) دقة وملاءمة الردود التي تقدمها نماذج اللغة التوليدية، إلا أنه يقصر في سياقات الرسوم البيانية حيث تكون المعلومات النصية والطوبولوجية مهمة. تتجاهل طرق RAG البسيطة الطبيعة الهيكلية المعقدة للرسوم البيانية النصية، مما يؤدي إلى فجوة حرجة في عملية التوليد. لمعالجة هذا التحدي، نقدم التوليد المعزز باسترجاع الرسوم البيانية (GRAG)، الذي يحسن بشكل كبير عمليات الاسترجاع والتوليد من خلال التركيز على أهمية بنى الرسوم الفرعية. على عكس نهج RAG الذي يركز فقط على استرجاع الكيانات النصية، يحافظ GRAG على وعي حاد بطوبولوجيا الرسم البياني، وهو أمر حاسم لتوليد ردود متماسكة سياقيًا وواقعيًا. يتكون نهج GRAG من أربع مراحل رئيسية: فهرسة الرسوم الفرعية ego-graphs لمسافة k-hop، استرجاع الرسوم البيانية، التقليم اللين لتقليل تأثير الكيانات غير ذات الصلة، والتوليد باستخدام الرسوم الفرعية النصية المقلمة. يحدد سير العمل الأساسي لـ GRAG - استرجاع الرسوم الفرعية النصية يليه التقليم اللين - بشكل فعال الهياكل الفرعية ذات الصلة مع تجنب صعوبة الحوسبة النموذجية للبحث الشامل في الرسوم الفرعية، والتي تعد من مسائل NP-hard. علاوة على ذلك، نقترح استراتيجية تحفيز مبتكرة تحقق تحويلًا بدون خسائر من الرسوم الفرعية النصية إلى أوصاف نصية هرمية. تجارب موسعة على معايير الاستدلال متعدد القفزات في الرسوم البيانية تُظهر أن نهجنا GRAG يتفوق بشكل كبير على أحدث طرق RAG في السيناريوهات التي تتطلب استدلالات متعددة القفزات على الرسوم البيانية النصية، مع تقليل فعال للتخيلات.