DualGraphRAG: विश्वसनीय और कुशल प्रश्नोत्तर के लिए एक द्वि-दृष्टि ग्राफ-संवर्धित पुनर्प्राप्ति-वर्धित उत्पादन फ्रेमवर्क

ग्राफ-संवर्धित पुनर्प्राप्ति-वर्धित उत्पादन (RAG) फ्रेमवर्क, जैसे कि GraphRAG, संरचित, ज्ञान-संकुचित ग्राफ जानकारी का निर्माण और उपयोग करके बड़े भाषा मॉडल (LLM)-आधारित प्रश्नोत्तर (QA) में सुधार करते हैं। हालांकि, वे जटिल बहु-हॉप तर्क कार्यों में चुनौतियों का सामना करते हैं और अक्सर काफी समय और संसाधनों की लागत लगती है, जिससे दक्षता कम होती है। इन सीमाओं को संबोधित करने के लिए, हम DualGraphRAG प्रस्तावित करते हैं, एक द्वि-दृष्टि ग्राफ-संवर्धित RAG फ्रेमवर्क जो खुले डोमेन कॉर्पस पर जटिल तर्क के लिए उच्च QA प्रदर्शन और संगणनात्मक दक्षता दोनों प्राप्त करने के लिए डिज़ाइन किया गया है। विशेष रूप से, DualGraphRAG LLMs का उपयोग करके असंरचित पाठ से स्वचालित रूप से ट्रिपल्स निकालकर एक ज्ञान ग्राफ (KG) बनाता है, और एकीकृत पाठ एम्बेडिंग के साथ KG नोड्स को एम्बेड करता है। प्रत्येक क्वेरी के लिए, एक समर्पित क्वेरी संवर्धन मॉड्यूल के माध्यम से विभिन्न प्रकार के KG नोड्स उत्पन्न किए जाते हैं। इन नोड्स के आधार पर, DualGraphRAG एक द्वि-दृष्टि पुनर्प्राप्ति रणनीति लागू करता है जो स्थानीय संदर्भ को पकड़ने वाले एक-हॉप ट्रिपल्स और वैश्विक कनेक्टिविटी जानकारी को संक्षिप्त करने वाले सबसे छोटे पथों दोनों को पुनः प्राप्त करता है, इस प्रकार उत्तर उत्पन्न करने में सहायक होता है। प्रयोगात्मक परिणाम दिखाते हैं कि, NaiveRAG, GraphRAG, और LightRAG की तुलना में, DualGraphRAG बेंचमार्क डेटासेट पर सर्वश्रेष्ठ या प्रतिस्पर्धी प्रदर्शन करता है और दक्षता में महत्वपूर्ण सुधार करता है। कुल मिलाकर, DualGraphRAG KG जानकारी को द्वि-दृष्टि तरीके से व्यवस्थित और उपयोग करता है, ट्रिपल्स और सबसे छोटे पथों का लाभ उठाकर जटिल बहु-हॉप तर्क वाले खुले डोमेन QA के लिए एक विश्वसनीय और कुशल फ्रेमवर्क प्रदान करता है।