الإجابة التوليدية ذات المرحلتين على أسئلة الرسم البياني المعرفي الزمني باستخدام النماذج اللغوية الكبيرة

تشكل الإجابة على أسئلة الرسم البياني المعرفي الزمني (TKGQA) تحديًا كبيرًا، نظرًا للقيود الزمنية المخفية في الأسئلة والإجابات التي يتم البحث عنها من المعرفة المهيكلة الديناميكية. على الرغم من أن النماذج اللغوية الكبيرة (LLMs) حققت تقدمًا كبيرًا في قدرتها على الاستدلال على البيانات المهيكلة، فإن تطبيقها على مهمة TKGQA هو مجال لم يتم استكشافه بشكل كافٍ بعد. يقترح هذا البحث أولًا إطار عمل جديد للإجابة التوليدية على أسئلة الرسم البياني المعرفي الزمني، GenTKGQA، والذي يوجه النماذج اللغوية الكبيرة للإجابة على الأسئلة الزمنية من خلال مرحلتين: استرجاع الرسم الفرعي وتوليد الإجابة. أولًا، نستفيد من المعرفة الجوهرية للنموذج اللغوي الكبير لاستخراج القيود الزمنية والروابط الهيكلية في الأسئلة دون تدريب إضافي، مما يضيق مساحة البحث في الرسم الفرعي في كل من الأبعاد الزمنية والهيكلية. بعد ذلك، نصمم مؤشرات معرفة افتراضية لدمج إشارات الشبكة العصبية البيانية للرسم الفرعي وتمثيلات النص للنموذج اللغوي الكبير بطريقة غير سطحية، مما يساعد النموذج المفتوح المصدر على فهم الترتيب الزمني والاعتماديات الهيكلية بين الحقائق المُستخرجة بعمق عبر ضبط التعليمات. توضح النتائج التجريبية أن نموذجنا يتفوق على الأساليب الحديثة، محققًا حتى 100% في المقاييس لنوع الأسئلة البسيطة.