تولید سپس بازیابی برای پاسخگویی به سوال مبتنی بر پایگاه دانش با مدل های زبانی بزرگ فاین توین شده

پاسخگویی به پرسش های زبان طبیعی با تکیه بر پایگاه های دانش ساخت یافته یکی از چالش های مهم در حوزه های هوش مصنوعی و بازیابی اطلاعات به شمار می رود. در این مقاله یک چارچوب سبک و کم هزینه مبتنی بر مدل های زبانی بزرگ برای مسئله پرسش پاسخ مبتنی بر گراف دانش طراحی و پیاده سازی شده است. مدل زبانی TinyLLaMA-۱.۱B Chat با بهره گیری از تنظیم مبتنی بر دستورالعمل (Instruction Fine-Tuning) بر روی داده های LC-QUAD ۲.۰ آموزش داده شده است. برخلاف روش های رایج که متکی بر مدل های بسیار بزرگ و پایگاه هایی مانند Freebase هستند، این چارچوب از پایگاه دانش Wikidata استفاده می کند که به صورت بومی از زبان SPARQL پشتیبانی می کند. در این سیستم، مدل زبانی آموزش دیده فرم منطقی پرسش ها را تولید می کند؛ سپس با نگاشت مولفه های معنایی به شناسه های مفهومی، کوئری SPARQL تولید و اجرا می شود. در نهایت نتایج همراه با نمودار گراف دانش نمایش داده می شوند. نتایج به دست آمده نشان می دهند که حتی مدل های سبک وزن نیز می توانند در کاربردهای زبانی مبتنی بر دانش، عملکرد قابل قبولی ارائه دهند.

کلیدواژه ها:

مدل زبانی بزرگ ، فاین توین ، پرسش و پاسخ ، پایگاه دانش