KERAG: उन्नत प्रश्नोत्तरी के लिए ज्ञान-संवर्धित पुनर्प्राप्ति-आधारित जनरेशन

रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) बड़े भाषा मॉडलों (LLMs) में भ्रम को कम करता है बाहरी डेटा को शामिल करके, जहां नॉलेज ग्राफ्स (KGs) प्रश्नोत्तरी के लिए महत्वपूर्ण जानकारी प्रदान करते हैं। पारंपरिक नॉलेज ग्राफ प्रश्नोत्तरी (KGQA) विधियाँ सिमेंटिक पार्सिंग पर निर्भर करती हैं, जो आमतौर पर उत्तर निर्माण के लिए आवश्यक ज्ञान ही पुनः प्राप्त करती हैं, जिसके कारण कड़ाई से परिभाषित स्कीमा आवश्यकताओं और अर्थगत अस्पष्टता के कारण कवरेज कम हो जाती है। हम KERAG प्रस्तुत करते हैं, एक नवीन KG-आधारित RAG पाईपलाइन जो व्यापक उपग्राफ पुनर्प्राप्ति द्वारा QA कवरेज को बढ़ाती है, जो प्रासंगिक जानकारी संभवतः समाहित करता है। हमारा पुनर्प्राप्ति-छंटनी-सारांशण दृष्टिकोण, ज्ञान उपग्राफों पर थॉट की श्रृंखला तर्क के लिए फाइन-ट्यून किए गए LLMs के साथ मिलकर, शोर कम करता है और सरल तथा जटिल प्रश्नों दोनों के लिए QA में सुधार करता है। प्रयोगों से पता चलता है कि KERAG गुणवत्ता में लगभग 7% द्वारा उन्नत समाधानों को पार करता है और GPT-4o (टूल) से 10-21% बेहतर है।