မကြာသေးမီက LLM+KG ဖြင့် ရှုပ်ထွေးသော ယုတ္တိဗေဒဆိုင်ရာ အကြောင်းအရာများကို ဆင်ခြင်သုံးသပ်သည့် စာတမ်းကောင်း ၂ စောင်ကို တွေ့ရှိခဲ့သည်။

မကြာသေးမီက LLM+KG ဖြင့် ရှုပ်ထွေးသော ယုတ္တိဗေဒဆိုင်ရာ အကြောင်းအရာများကို ဆင်ခြင်သုံးသပ်သည့် စာတမ်းကောင်း ၂ စောင်ကို တွေ့ရှိခဲ့သည်။

1. LARK https://arxiv.org/abs/2305.01157 Complex Logical Reasoning over Knowledge Graphs using Large Language Models

2. ROG https://arxiv.org/abs/2512.19092 A Large Language Model Based Method for Complex Logical Reasoning over Knowledge Graphs

၁။ ဗဟုသုတဇယား ဆင်ခြင်သုံးသပ်ခြင်း၏ အခက်အခဲများ

ဗဟုသုတဇယား (KG) သည် တည်ဆောက်ထားသော ဗဟုသုတ၏ အဓိက အစိတ်အပိုင်းအဖြစ် အဓိက အားနည်းချက် ၃ ခုနှင့် ရင်ဆိုင်နေရသည်။

• ရှုပ်ထွေးမှု- ခုန်နှုန်းများစွာ ဆင်ခြင်သုံးသပ်ခြင်း၊ ပေါင်းစည်းခြင်းနှင့် ဖြတ်တောက်ခြင်း၊ ငြင်းဆိုခြင်း စသည့် လုပ်ဆောင်ချက်များ ပေါင်းစပ်ခြင်းကြောင့် ဖြစ်ပေါ်လာသော ပေါက်ကွဲမှုများ
• မပြည့်စုံမှု- အမှန်တကယ် ကမ္ဘာ့ KG များတွင် ဆူညံသံများနှင့် ပျောက်ဆုံးမှုများ အများအပြားရှိခြင်း
• ယေဘုယျသဘော- ရိုးရာ ထည့်သွင်းနည်းလမ်းများသည် ဒေတာအစုအဝေးများကို ဖြတ်ကျော်၍ ရွှေ့ပြောင်းရန် ခက်ခဲခြင်း

ရိုးရာအစီအစဉ်များ (ဥပမာ Query2Box, BetaE) သည် ဂျီဩမေတြီ ထည့်သွင်းနေရာကို မှီခိုပြီး ယုတ္တိဗေဒဆိုင်ရာ လုပ်ဆောင်ချက်များကို ဗက်တာ/ဘောက်စ် လုပ်ဆောင်ချက်များအဖြစ် ပုံစံပြုသော်လည်း နက်ရှိုင်းသော ဆင်ခြင်သုံးသပ်မှုတွင် သတင်းအချက်အလက် ဆုံးရှုံးမှုမှာ ကြီးမားသည်။ မော်ဒယ်သည် ယုတ္တိဗေဒဆိုင်ရာ တည်ဆောက်ပုံကို နားလည်ပြီး ပြောင်းလွယ်ပြင်လွယ် ဆင်ခြင်သုံးသပ်နိုင်ရန် မည်သို့ပြုလုပ်မည်နည်း။ ကြီးမားသော ဘာသာစကားမော်ဒယ် (LLM) များ ပေါ်ထွက်လာခြင်းသည် အတွေးအခေါ်အသစ်များကို ပေးစွမ်းသည်။

ပုံ ၁- LARK ၏ ရှာဖွေမှုကွင်းဆက် ဖြိုခွဲခြင်းနှင့် LLM ဆင်ခြင်သုံးသပ်ခြင်း လုပ်ငန်းစဉ်။ ရှုပ်ထွေးသော လုပ်ဆောင်ချက်များစွာပါဝင်သော ရှာဖွေမှုများကို တစ်ခုတည်းသော လုပ်ဆောင်ချက်ပါဝင်သော ရှာဖွေမှုငယ်များအဖြစ် ဖြိုခွဲပြီး ဖြေရှင်းသည်။

၂။ အစီအစဉ်- နည်းလမ်းနှစ်ခု၏ အမွေအနှစ်နှင့် တိုးတက်ပြောင်းလဲမှု

LARK (၂၀၂၃) - ရှေ့ဆောင်လက်ရာ

ပုံ ၂- ရှာဖွေမှု အမျိုးအစား ၁၄ ခု၏ ဖြိုခွဲခြင်း မဟာဗျူဟာ။ 3p ကို ပုံရိပ် ၃ ခုအဖြစ် ဖြိုခွဲပြီး 3i ကို ပုံရိပ် ၃ ခု + ပေါင်းစည်းမှု ၁ ခုအဖြစ် ဖြိုခွဲသည်။

အဓိက တီထွင်ဆန်းသစ်မှု- ရှာဖွေမှု အကျဉ်းချုပ် + ယုတ္တိဗေဒကွင်းဆက် ဖြိုခွဲခြင်း

အစိတ်အပိုင်း ဒီဇိုင်း ရှာဖွေမှု အကျဉ်းချုပ် အရာဝတ္ထု/ဆက်ဆံရေးကို ID ဖြင့် အစားထိုးခြင်း၊ အာရုံထွေပြားမှုများကို ဖယ်ရှားခြင်း၊ ယေဘုယျသဘောကို မြှင့်တင်ခြင်း အနီးအနား ရှာဖွေခြင်း k-hop အနက်ကို ဦးစားပေး ရှာဖွေခြင်း (k=၃)၊ သက်ဆိုင်ရာ ခွဲဇယားကို ထုတ်ယူခြင်း ကွင်းဆက် ဖြိုခွဲခြင်း လုပ်ဆောင်ချက်များစွာပါဝင်သော ရှာဖွေမှု → တစ်ခုတည်းသော လုပ်ဆောင်ချက်ပါဝင်သော ရှာဖွေမှုငယ်များ၏ အစီအစဉ် အစဉ်လိုက် ဆင်ခြင်သုံးသပ်ခြင်း ကြားဖြတ်ရလဒ်များကို သိမ်းဆည်းခြင်း၊ ယုတ္တိဗေဒဆိုင်ရာ စနစ်တကျ နေရာယူခြင်း အဓိက ထိုးထွင်းသိမြင်မှု- LLM သည် ရိုးရှင်းသော ရှာဖွေမှုများတွင် ကျွမ်းကျင်ပြီး ရှုပ်ထွေးသော ရှာဖွေမှုများကို ဖြိုခွဲပြီးနောက် စွမ်းဆောင်ရည် ၂၀%-၃၃% တိုးတက်သည်။

ROG (၂၀၂၅) - အဆင့်မြှင့်ထားသော ဗားရှင်း

LARK မူဘောင်ကို အမွေဆက်ခံပြီး Agent သဘောတူညီမှု ယန္တရားအသစ်ကို ထည့်သွင်းထားသည်။

ROG = LARK အဓိက + Agent အများအပြား ပူးပေါင်းဆောင်ရွက်ခြင်း + အတွေးအခေါ်ကွင်းဆက် အားကောင်းလာခြင်း

တိုးတက်မှုများ Agent ဒီဇိုင်း ဉာဏ်ရည်တု = ဗဟုသုတဘဏ် + LLM၊ Agent အများအပြား သဘောတူညီမှု ဆုံးဖြတ်ချက် CoT သည် ပိုမိုရှင်းလင်းသော အတွေးအခေါ်ကွင်းဆက် အကြံပြုချက်ပုံစံကို အားကောင်းစေသည် ပြည်တွင်းနှင့် ကိုက်ညီမှု ChatGLM+Neo4j ကို အခြေခံ၍ လျှပ်စစ်စွမ်းအင်ကဲ့သို့သော ဒေါင်လိုက်နယ်ပယ်များကို ဦးတည်သည် ROG ၏ ဒေတာစီးဆင်းမှု မော်ဒယ်

စွမ်းဆောင်ရည် မြင့်တက်လာခြင်း- FB15k တွင် ip ရှာဖွေမှု (ပေါင်းစည်းပြီးနောက် ပုံရိပ်) MRR သည် ၂၉.၃ မှ ၆၂.၀ သို့ ၁၁၁% တိုးတက်လာသည်။

ဇယား ၁- FB15k ဒေတာအစုအဝေး MRR နှိုင်းယှဉ်ချက်။ ROG သည် အလုံးစုံ ဦးဆောင်နေပြီး ပေါင်းစပ်ရှာဖွေမှုသည် အထင်ရှားဆုံး တိုးတက်မှုဖြစ်သည်။

၃။ ပုံစံတည်ဆောက်ခြင်းနှင့် အနာဂတ် ဦးတည်ချက်

မျိုးဆက်နှစ်ဆက်စာတမ်းများသည် ပုံစံတစ်ခုကို အတူတကွ အတည်ပြုသည်။

"ရှာဖွေမှု အားကောင်းလာခြင်း + ရှာဖွေမှု ဖြိုခွဲခြင်း + LLM ဆင်ခြင်သုံးသပ်ခြင်း" သည် KG ရှုပ်ထွေးသော ယုတ္တိဗေဒဆိုင်ရာ ဆင်ခြင်သုံးသပ်ခြင်းအတွက် ထိရောက်သော လမ်းကြောင်းတစ်ခုဖြစ်သည်။

အဓိက လမ်းကြောင်းများ

• အကျဉ်းချုပ်သည် အလွန်အရေးကြီးသည် - အဓိပ္ပာယ် ဆူညံသံများကို ဖယ်ရှားပြီး ယုတ္တိဗေဒဆိုင်ရာ တည်ဆောက်ပုံကို အာရုံစိုက်ပါ
• ဖြိုခွဲခြင်း မဟာဗျူဟာသည် အပေါ်ပိုင်းကန့်သတ်ချက်ကို ဆုံးဖြတ်သည် - ကွင်းဆက် ဖြိုခွဲခြင်းသည် အဆုံးမှအဆုံးထက် ပိုမိုယုံကြည်စိတ်ချရသည်
• မော်ဒယ်စွမ်းရည်ကို ဆက်လက်ထုတ်လွှတ်သည် - Llama2-7B မှ ChatGLM အထိ အခြေခံတိုးတက်မှုသည် သိသာထင်ရှားသော အကျိုးကျေးဇူးများကို သယ်ဆောင်လာသည်

ROG ၏ Agent ယန္တရားသည် ရှင်းလင်းပြတ်သားမှုကို အားကောင်းစေသော်လည်း အဓိက တီထွင်ဆန်းသစ်မှုသည် သီအိုရီဆိုင်ရာ တိုးတက်မှုထက် အင်ဂျင်နီယာဆိုင်ရာ အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ခြင်းတွင် တည်ရှိသည်။ အနာဂတ် ဦးတည်ချက်သည် ပြောင်းလဲနိုင်သော ဖြိုခွဲခြင်း မဟာဗျူဟာ (ရှာဖွေမှု ရှုပ်ထွေးမှုနှင့် လိုက်လျောညီထွေဖြစ်အောင်)၊ ပုံစံအမျိုးမျိုး KG ပေါင်းစည်းခြင်းနှင့် ပိုမိုကြီးမားသော ပွင့်လင်းနယ်ပယ် အတည်ပြုခြင်းတို့တွင် ရှိနိုင်သည်။