ارائه یک مدل انتشار شایعه مبتنی بر هایپرگراف جهت شناسایی و کاهش تضاد اطلاعات در سیستم های تولید افزوده با بازیابی (H-SHIR-RAG)

امروزه سیستم های تولید افزوده با بازیابی (RAG) نقشی حیاتی در ارتقای دانش مدل های زبانی ایفا می کنند؛ با این حال، وجود اسناد بازیابی شده متناقض و داده های مسموم، چالش هایی جدی نظیر تضاد اطلاعات و ایجاد توهم را به همراه دارد. ابزارهای ارزیابی فعلی و مدل های گرافی سنتی، از درک روابط پیچیده و چندگانه (مرتبه بالا) میان شواهد عاجزند. این پژوهش برای رفع این خلاء، چارچوب نوآورانه «ارائه یک مدل انتشار شایعه مبتنی بر هایپرگراف جهت شناسایی و کاهش تضاد اطلاعات در سیستم های تولید افزوده با بازیابی (H-SHIR-RAG)» را معرفی می کند. مدل پیشنهادی با استفاده از دینامیک انتشار شایعه بر روی ساختار هایپرگراف، تضادهای معنایی را مدل سازی کرده و منابع گمراه کننده را پیش از تولید متن نهایی پالایش می کند. ارزیابی های جامع نشان می دهد که این رویکرد به دقت ۹۲.۴٪، امتیاز F۱ برابر ۹۱.۰٪ و یادآوری ۹۰.۵٪ دست یافته است. در مقایسه با روش های استاندارد و بنچمارک های موجود نظیر RAGAS، مدل H-SHIR-RAG در شاخص های «کاهش توهم» با ۸۹.۹٪ و «دقت استنادی» با ۸۹.۵٪، بهبود معنادار و عملکردی به مراتب دقیق تر ارائه می دهد. این یافته ها حاکی از آن است که مدل سازی مرتبه بالا با تکیه بر ساختار هایپرگراف، پتانسیل بالایی در ارتقای همگرایی، اعتمادپذیری و سازگاری سیستم های هوشمند دارد.

کلیدواژه ها:

هایپرگراف ، انتشار شایعه ، تضاد اطلاعات ، تولید افزوده با بازیابی ، کاهش توهم ، اعتمادپذیری