हम एक नवीन ग्राफ न्यूरल नेटवर्क (GNN) वास्तुकला प्रस्तुत करते हैं जो पुनर्प्राप्ति-सहायित जनरेशन (RAG) के लिए प्रश्न-संज्ञानी ध्यान तंत्र और ज्ञात स्कोरिंग हेड्स का उपयोग करती है ताकि जटिल, बहु-कदम प्रश्नों पर पुनर्प्राप्ति सटीकता में सुधार हो। पारंपरिक सघन पुनर्प्राप्ति विधियों के विपरीत जो दस्तावेजों को स्वतंत्र इकाइयां मानती हैं, हमारा दृष्टिकोण प्रति-प्रकरण ज्ञान ग्राफ बनाता है जो पाठ खंडों के बीच अनुक्रमिक और अर्थ संबंधी संबंधों को कैप्चर करता है। हम एक उन्नत ग्राफ ध्यान नेटवर्क प्रस्तुत करते हैं जिसमें प्रश्न-निर्देशित पूलिंग होती है जो उपयोगकर्ता प्रश्नों के आधार पर ग्राफ के प्रासंगिक हिस्सों पर गतिशील रूप से केंद्रित होती है। प्रयोगात्मक परिणाम दर्शाते हैं कि हमारा दृष्टिकोण जटिल प्रश्नोत्तर कार्यों पर मानक सघन पुनर्प्राप्तकर्ताओं से उल्लेखनीय रूप से बेहतर प्रदर्शन करता है, विशेषकर उन प्रश्नों के लिए जिन्हें बहु-दस्तावेज तर्क की आवश्यकता होती है। हमारा कार्यान्वयन PyTorch Geometric का उपयोग करता है ताकि ग्राफ-संरचित डेटा की कुशल प्रोसेसिंग हो सके, जिससे उत्पादन पुनर्प्राप्ति प्रणालियों में स्केलेबल डिप्लॉयमेंट सक्षम होता है।
Agrawal et al. (शुक्रवार,) ने इस प्रश्न का अध्ययन किया।