تعبیه گراف دانش به منظور بهبود سامانه‌های پرسش و پاسخ فارسی

با ذخیره داده‌ها در گراف‌های دانش می‌توان علاوه بر روابط صریح، روابطی ضمنی را نیز حدس و بازیابی کرد. این ویژگی به سامانه‌‌های پرسش و پاسخ این امکان را می‌دهد که فراتر از آنچه از سه‌گانه‌های گراف دیده‌اند به چالش کشیده شوند. تعبیه گراف دانش یا نمایش گره‌ها و یال‌های گراف در قالب بردار‌های عددی، به همین منظور صورت می‌پذیرد. در این مقاله مسئله پاسخ به پرسش‌های فارسی با استفاده از تعبیه گراف دانش فارسی بررسی شده است. مدل‌های مختلفی برای تعبیه گراف دانش آموزش داده ‌شده‌اند تا هویت پیدا و نهان گره‌ها را در قالب بردار بازنمایی کند. از سوی دیگر با استفاده از مدل های زبانی، پرسش‌های فارسی به گونه‌ای تعبیه می‌شوند که نمایانگر یال ضمنی و یا عینی بین هر پرسش و پاسخ مربوطه باشد. با این رویکرد می‌توان به پرسش‌هایی پاسخ داد که مستقیماً سه‌گانه‌ مربوطه در گراف آورده نشده است و همچنین پا را فراتر گذاشته و به پرسش‌های پیچیده‌تر که نیازمند طی چندین یال است نیز، پاسخ مناسب داد. نتایج حاصل از مدل پیشنهادی مبتنی بر تعبیه گراف دانش فارسی فارس-ویکی-کی‌جی برای پاسخ‌گویی به پرسش‌های فارسی، نشان‌دهنده دقت 85 درصد بر روی مجموعه‌داده پرسش و پاسخ ساده و پیچیده به زبان فارسی می‌باشد.با ذخیره داده‌ها در گراف‌های دانش می‌توان علاوه بر روابط صریح، روابطی ضمنی را نیز حدس و بازیابی کرد. این ویژگی به سامانه‌‌های پرسش و پاسخ این امکان را می‌دهد که فراتر از آنچه از سه‌گانه‌های گراف دیده‌اند به چالش کشیده شوند. تعبیه گراف دانش یا نمایش گره‌ها و یال‌های گراف در قالب بردار‌های عددی، به همین منظور صورت می‌پذیرد. در این مقاله مسئله پاسخ به پرسش‌های فارسی با استفاده از تعبیه گراف دانش فارسی بررسی شده است. مدل‌های مختلفی برای تعبیه گراف دانش آموزش داده ‌شده‌اند تا هویت پیدا و نهان گره‌ها را در قالب بردار بازنمایی کند. از سوی دیگر با استفاده از مدل های زبانی، پرسش‌های فارسی به گونه‌ای تعبیه می‌شوند که نمایانگر یال ضمنی و یا عینی بین هر پرسش و پاسخ مربوطه باشد. با این رویکرد می‌توان به پرسش‌هایی پاسخ داد که مستقیماً سه‌گانه‌ مربوطه در گراف آورده نشده است و همچنین پا را فراتر گذاشته و به پرسش‌های پیچیده‌تر که نیازمند طی چندین یال است نیز، پاسخ مناسب داد. نتایج حاصل از مدل پیشنهادی مبتنی بر تعبیه گراف دانش فارسی فارس-ویکی-کی‌جی برای پاسخ‌گویی به پرسش‌های فارسی، نشان‌دهنده دقت 85 درصد بر روی مجموعه‌داده پرسش و پاسخ ساده و پیچیده به زبان فارسی می‌باشد.

knowledge graph embedding for improving persian question answering

knowledge graphs (kgs) represent structured data through triples that encode entities and their relationships. while they are traditionally used for storing explicit facts, embedding these triples into a vector space enables the discovery of implicit relations, enhancing reasoning in tasks such as question answering (qa). this study explores the challenge of answering persian-language questions using fars-wiki-kg, a large-scale knowledge graph automatically constructed from persian wikipedia. we create a qa system that combines the knowledge graph and natural language questions into the same vector space, allowing for complete reasoning on both simple and complex queries. the system employs complex for graph embeddings and xlm-roberta, a multilingual transformer model, for question embeddings. additionally, we introduce a persian qa dataset containing over 74,000 question-answer pairs generated from fars-wiki-kg. experimental results show that our framework effectively handles complex reasoning in persian, with strong performance on both simple and multi-hop questions.