الأبحاث المرتبطة بالكلمة المفتاحية: رسم بياني للمعرفة
-
تقنيات البناء والاستخراج المنقحة للرسم البياني المعرفي القائم على نماذج اللغة الكبيرة
2026 | المؤلف: Li Peng وآخرون | المجلة: Scientific Reports | المجال: الذكاء الاصطناعي (Artificial Intelligence)تقدم ورقة البحث إطارًا لبناء وتنقيح الرسوم البيانية للمعرفة المتخصصة لتعزيز أنظمة دعم القرار، مع معالجة قيود أساليب إدارة المعرفة التقليدية في التعامل مع المعلومات الخاصة بالمجال. يبرز المؤلفون أن نماذج اللغة الكبيرة العامة (LLMs) غالبًا ما تفشل في تفسير المعلمات الفنية والإرشادات التشغيلية بدقة بسبب طبيعتها المتخصصة ومصادرها المتنوعة. للتغلب على هذه التحديات، يتضمن…
-
الإجابة على الأسئلة المعتمدة على المعرفة باستخدام الشبكات العصبية البيانية وتمثيلات اللغة السياقية
2026 | المؤلف: Mohamed Samir وآخرون | المجلة: Scientific Reports | المجال: الذكاء الاصطناعي (Artificial Intelligence)تقدم هذه البحث إطار عمل جديد للإجابة على الأسئلة (QA) يجمع بين المعرفة العامة من ConceptNet مع تمثيلات سياقية عميقة من BERT، باستخدام شبكة انتباه الرسوم البيانية v2 (GATv2) للتفكير المنظم. يقوم الإطار ببناء رسم فرعي ذي صلة لكل زوج من السؤال والإجابة من ConceptNet، والذي يتم معالجته لالتقاط العلاقات الدلالية بين المفاهيم. في الوقت…
-
بناء رسم بياني للمعرفة لمادة الإطار مدعومًا بنماذج اللغة الكبيرة وتطبيقه
2025 | المؤلف: Xuefeng Bai وآخرون | المجلة: npj Computational Materials | المجال: كيمياء المواد (Materials Chemistry)تتناول ورقة البحث تطوير رسم بياني شامل للمعرفة (KG-FM) لمواد الإطار (FMs)، بما في ذلك الإطارات العضوية المعدنية (MOFs)، والإطارات العضوية التساهمية (COFs)، والإطارات العضوية المرتبطة بالهيدروجين (HOFs). باستخدام نماذج اللغة الكبيرة (LLMs) ومعالجة اللغة الطبيعية، قام المؤلفون بتحليل أكثر من 100,000 مقالة، مما أسفر عن رسم بياني للمعرفة يتكون من 2.53 مليون عقدة و4.01…
-
GNN-RAG: استرجاع الشبكات العصبية البيانية لتفكير نموذج اللغة الكبير بكفاءة على الرسوم البيانية المعرفية
2025 | المؤلف: Costas Mavromatis وآخرون | المجلة: Findings of the Association for Computational Linguistics: ACL 2025 | المجال: الذكاء الاصطناعي (Artificial Intelligence)تقدم البحث إطار GNN-RAG، الذي يعزز الجيل المعزز بالاسترجاع (RAG) في الإجابة على أسئلة الرسم البياني المعرفي (KGQA) من خلال دمج الشبكات العصبية الرسومية الخفيفة (GNNs) لاسترجاع الرسوم البيانية بكفاءة. غالبًا ما تعتمد الأساليب التقليدية على مكالمات مكلفة لنماذج اللغة الكبيرة (LLMs) لتوليد مسارات العلاقات أو التنقل عبر الرسم البياني المعرفي، خاصة في المهام المعقدة…
-
استرجاع الرسم البياني المعرفي المعزز بالتوليد للتوصيات المعتمدة على LLM
2025 | المؤلف: Shijie Wang وآخرون | المجلة: Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) | المجال: الذكاء الاصطناعي (Artificial Intelligence)تناقش هذه الفقرة الأهمية المتزايدة لأنظمة التوصية في إدارة overload المعلومات في الخدمات عبر الإنترنت الموجهة للمستخدمين، مع تسليط الضوء بشكل خاص على دور نماذج اللغة الكبيرة (LLMs) في تطوير هذه الأنظمة. على الرغم من إمكانياتها، تواجه أنظمة التوصية المعتمدة على LLM تحديات مثل الهلاوس ونقص المعرفة الحالية والمتخصصة في المجال. للتخفيف من هذه المشكلات،…
-
توليد معزز بالاسترجاع باستخدام الرسوم البيانية المعرفية للإجابة على أسئلة خدمة العملاء
2024 | المؤلف: Zhentao Xu وآخرون | المجلة: Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval | المجال: الذكاء الاصطناعي (Artificial Intelligence)في مجال دعم العملاء الفني، يعد الاسترجاع الفعال للمشكلات السابقة أمرًا ضروريًا لحل الاستفسارات. غالبًا ما تعالج طرق الاسترجاع التقليدية في الجيل المعزز بالاسترجاع (RAG) لنماذج اللغة الكبيرة (LLMs) تذاكر تتبع المشكلات التاريخية كنص عادي، متجاهلة الهياكل الداخلية للمشكلات والعلاقات بين المشكلات، مما يعيق الأداء. يقدم هذا البحث طريقة جديدة للإجابة على الأسئلة تدمج RAG…