گراف‌های دانش ستون فقرات سیستم‌های اطلاعاتی مدرن هستند. این ساختارها روابط میان موجودیت‌ها را در قالب سه‌تایی‌های (subject, predicate, object) سازماندهی می‌کنند.
مشکل اینجاست: روش‌های سنتی بازنمایی با بردارهای ثابت کار می‌کنند. وقتی موجودیت جدیدی وارد سیستم می‌شود، این روش‌ها توانایی پردازش آن را ندارند.
RALP این بن‌بست را شکسته است. این سیستم عناصر گراف را نه به‌صورت اعداد، بلکه به‌صورت متن پردازش می‌کند.
به جای یادگیری نمایش‌های برداری ثابت، RALP پرامپت‌های زنجیرهٔ تفکر (chain-of-thought) را به‌عنوان تابع امتیازدهی یاد می‌گیرد. این پرامپت‌ها تعیین می‌کنند که یک سه‌تایی معتبر است یا خیر.
قدرت این روش از مدل‌های زبانی بزرگ (Large Language Models) می‌آید. این مدل‌ها توانایی تعمیم‌پذیری بالایی دارند و می‌توانند با مفاهیم جدید کار کنند.
برای یافتن بهترین پرامپت‌ها، سیستم از بهینه‌سازی بیزی (Bayesian Optimization) با الگوریتم MIPRO استفاده می‌کند. نکتهٔ کلیدی: تنها کمتر از ۳۰ نمونه آموزشی کافی است. نیازی به دسترسی به گرادیان مدل نیست.
در مرحلهٔ استنتاج، RALP موجودیت‌های گمشده، روابط ناشناخته، یا حتی کل سه‌تایی‌ها را پیش‌بینی می‌کند. هر پاسخ با امتیاز اطمینان همراه است.
نتایج آزمایشی این ادعاها را تأیید کرده‌اند. این روش در معیارهای ارزیابی transductive، numerical retrieval و OWL بیش از ۵ درصد بهبود میانگین رتبهٔ متقابل (mean reciprocal rank) نشان داده است. در وظایف استدلال پیچیده با عبارات کلاسی ظریف، شباهت جاکارد (Jaccard similarity) به ۸۸ درصد رسیده است.
گفتگو