ডোমেইন নলেজ গ্রাফের সীমা হলো কভারেজ
ইন্ডাস্ট্রি-ভিত্তিক নলেজ গ্রাফ একদিকে যেমন উপকারী, তেমনি আবার খামখেয়ালিপূর্ণও বটে। মেডিকেল অন্টোলজি, শিল্প যন্ত্রাংশের ক্যাটালগ, নিয়ন্ত্রক আইনের ডেটাবেস—এগুলো সবই নির্ভুল, বিশেষজ্ঞদের দ্বারা যাচাই করা কাঠামো, যেখানে সত্তাগুলোর মধ্যকার সম্পর্কের স্পষ্ট অর্থ রয়েছে। নির্ভুলতার মূল্য হলো সংকীর্ণতা। এমন গ্রাফ কেবল সেটুকুই জানে যা তাতে যুক্ত করা হয়েছে, এবং নিজের কভারেজের সীমায় গিয়ে ঠেকে।
সাধারণ নলেজ গ্রাফ ভিন্নভাবে গঠিত। এগুলো সারা বিশ্ব থেকে তথ্য সংগ্রহ করে, কিন্তু তা করে অমার্জিতভাবে এবং নির্দিষ্ট কোনো বিষয়ক্ষেত্রের প্রতি লক্ষ্য না রেখে। ঠিক এই বৈপরীত্যই সেই গবেষণার ভিত্তি, যা নিয়ে এখন আলোচনা হবে।
এতদিন ডোমেইন গ্রাফ সমৃদ্ধকরণ দুটি পথে চলেছে। হয় বাহ্যিক অসংগঠিত টেক্সট—নথি, নিবন্ধ, প্রতিবেদন—থেকে জ্ঞান আহরণ করা হয়েছে, নয়তো বিদ্যমান সম্পর্কের উপর যৌক্তিক অনুমান করে গ্রাফটি অভ্যন্তরীণভাবে সম্প্রসারিত করা হয়েছে। উভয় পদ্ধতিই কাজ করে, কিন্তু মানদণ্ড উঁচু করে না: কভারেজ সীমিতই থাকে, আর সংহতির গুণমান থাকে অস্থির।
আর সবচেয়ে বড় কথা, কেউই বিষয়টি নিয়ে পদ্ধতিগতভাবে তদন্ত করেনি: সত্যিকারের বড় ও উচ্চমানের সাধারণ নলেজ গ্রাফ ব্যবহার করে অতি-বিশেষায়িত গ্রাফগুলোকে কীভাবে সম্পূরক করা যায়। এই শূন্যস্থানই পূরণ করে arXiv:2601.10485 গবেষণাপত্রটি।
DKGF কাজ: সাধারণ থেকে প্রাসঙ্গিক বিষয় বের করা
লেখকেরা একটি নতুন ব্যবহারিক কাজ প্রণয়ন করেন—ডোমেইন-নির্দিষ্ট নলেজ গ্রাফের ফিউশন, সংক্ষেপে DKGF। মূল কথা সহজ: সাধারণ নলেজ গ্রাফে এমন তথ্য খুঁজে বের করা যা লক্ষ্য ডোমেইনের সত্যিই প্রয়োজন, এবং সেগুলো সযত্নে সেখানে সংযুক্ত করা। ফলাফল হলো এমন একটি ডোমেইন গ্রাফ, যা আরও বেশি জানে, কিন্তু নিজের বিশেষায়ন হারায় না।
নিবন্ধের শিরোনাম—«Panning for Gold»—রূপকটি যথার্থ। সাধারণ গ্রাফ এখানে বালুময় নদীর মতো: সোনা আছে, কিন্তু তা ধুয়ে নিতে হয়, সবকিছু একসাথে তুলে নয়। কাজটি সর্বোচ্চ পরিমাণ স্থানান্তর করা নয়, বরং প্রয়োজনীয়টুকু বাছাই করা।
কাজটির কারিগরি বিবরণ: arXiv:2601.10485, cs.AI বিভাগ। লেখকেরা—Runhao Zhao, Weixin Zeng, Wentao Zhang, Chong Chen, Zhengpin Li, Xiang Zhao এবং Lei Chen। প্রথম সংস্করণ প্রকাশিত হয় ১৫ জানুয়ারি ২০২৬, সর্বশেষ পঞ্চম সংস্করণ—২৫ আগস্ট ২০২৬। আয়তন—১৩ পৃষ্ঠা, ৫টি চিত্র। DOI: 10.48550/arXiv.2601.10485।
দুটি ফাঁদ, যেখানে যেকোনো প্রচেষ্টাই হোঁচট খায়
প্রাসঙ্গিকতা: ডোমেইন একটি অস্পষ্ট ধারণা
প্রথম সমস্যা হলো ডোমেইন প্রাসঙ্গিকতার উচ্চ মাত্রার অস্পষ্টতা। আনুষ্ঠানিকভাবে প্রশ্নটি এরকম: সাধারণ গ্রাফের কোনো নির্দিষ্ট তথ্য কি আমাদের বিষয়ক্ষেত্রের অন্তর্গত? বাস্তবে উত্তর খুব কমই স্পষ্ট হয়।
একটি মেডিকেল গ্রাফ ধরা যাক। «X পদার্থ Y প্রক্রিয়াকে প্রভাবিত করে»—এই তথ্যটি প্রাসঙ্গিক হতে পারে, আবার স্কুলের জীববিজ্ঞানের সাধারণ বিষয়ও হতে পারে, যা কেবল ডেটাবেসে শোরগোল বাড়াবে। ডোমেইনের সীমানা অস্পষ্ট, আর «নিজের/পরের»-এর কোনো কঠোর মানদণ্ডই নেই। একদিকে ভুল করলে—উপকারী জ্ঞান হারানো, অন্যদিকে—গ্রাফে আবর্জনা।
গ্রানুলারিটি: স্থূল বনাম সূক্ষ্ম
দ্বিতীয় জটিলতা হলো গ্রানুলারিটির অসঙ্গতি। সাধারণ গ্রাফের তথ্য সাধারণত বিমূর্ত ও স্থূল-দানাদার: এগুলো সাধারণ শ্রেণিতে বিশ্বকে বর্ণনা করে। ডোমেইন গ্রাফ, বিপরীতে, প্রেক্ষাপটে বাস করে—তাদের প্রয়োজন সূক্ষ্ম-দানাদার বিবৃতি, যা নির্দিষ্ট প্রয়োগ পরিস্থিতির সাথে যুক্ত।
সহজ উদাহরণ: সাধারণ গ্রাফ বলবে, কোনো প্রযুক্তি ডেটা প্রক্রিয়াকরণ পদ্ধতির শ্রেণির অন্তর্গত। শিল্প-ভিত্তিক গ্রাফের জন্য এটি প্রায় অকেজো—সেখানে গুরুত্বপূর্ণ হলো কোন শর্তে, কী সীমাবদ্ধতায় এবং কোন ধরনের কাজের জন্য পদ্ধতিটি প্রযোজ্য। তথ্যটি হুবহু স্থানান্তর করা যায় না, লক্ষ্য স্থানাঙ্ক ব্যবস্থার সাথে মিলিয়ে তা পুনর্গঠন করতে হয়।
ExeFuse: তথ্য একটি প্রোগ্রাম হিসেবে
লেখকদের উত্তর হলো নিউরো-সিম্বলিক ফ্রেমওয়ার্ক ExeFuse, যা Fact-as-Program তথা «তথ্য একটি প্রোগ্রাম হিসেবে» পরিকল্পনার উপর নির্মিত। ধারণাটি হলো গ্রাফ সংযুক্তিকরণকে এক ডেটাবেস থেকে আরেকটিতে প্রস্তুত বিবৃতি স্থানান্তর হিসেবে দেখা বন্ধ করে এটিকে একটি কার্যকর প্রক্রিয়া হিসেবে ব্যাখ্যা করা শুরু করা।
বাস্তবে এটি কী বদলায়? নিউরো-সিম্বলিক সম্পাদন যৌক্তিক প্রাসঙ্গিকতা যাচাই করতে দেয়, পৃষ্ঠতলীয় সাদৃশ্য নয়। পার্থক্যটি মৌলিক: শব্দের মিল বা ভেক্টর উপস্থাপনার নৈকট্য এখনো বোঝায় না যে জ্ঞানটি ডোমেইনে প্রযোজ্য। একই রকম পরিভাষা ভিন্ন ঘটনা বর্ণনা করতে পারে, আর ভিন্ন বাক্যগঠন একই বিষয় বোঝাতে পারে। যৌক্তিক যাচাই সম্পর্কের কাঠামোর দিকে এবং লক্ষ্য ক্ষেত্রের প্রেক্ষাপটে বিবৃতিটি অনুমানযোগ্য কি না তার দিকে তাকায়।
দ্বিতীয় প্রক্রিয়া—target space grounding, লক্ষ্য স্থানে সংযুক্তকরণ। এটিই গ্রানুলারিটি ক্যালিব্রেট করে: সাধারণ গ্রাফের বিমূর্ত তথ্যকে সেই রূপে অনুবাদ করা হয়, যা নির্দিষ্ট ডোমেইন পরিস্থিতির জন্য অর্থবহ। এভাবেই বর্ণিত দ্বিতীয় ফাঁদটি দূর হয়।
সিম্বলিক অংশটি অনুমানের কঠোরতার জন্য দায়ী, নিউরাল নেটওয়ার্ক অংশটি—বাস্তব ডেটার অসম্পূর্ণতা ও অস্পষ্টতা মোকাবিলার জন্য। এই সমন্বয়ই ফ্রেমওয়ার্কটিকে ডোমেইন বাধা অতিক্রম করতে দেয়, যেখানে একক পদ্ধতিগুলো হাল ছেড়ে দেয়।
ডেটা ও ফলাফল
কাজটির একটি আলাদা অবদান হলো ডেটাসেট। লেখকেরা DKGF কাজ মূল্যায়নের জন্য প্রথম মানসম্মত বেঞ্চমার্ক সংকলন করেছেন। এটি পদ্ধতিটির চেয়ে কম গুরুত্বপূর্ণ নয়: তুলনার জন্য সাধারণ একটি প্ল্যাটফর্ম ছাড়া বিভিন্ন পদ্ধতির ফলাফল মেলানোর কিছুই থাকে না, আর ক্ষেত্রটি বিচ্ছিন্ন পরীক্ষা-নিরীক্ষার সমষ্টি হয়েই থেকে যায়।
পরীক্ষাগুলো কী দেখাল? ExeFuse ডোমেইন বাধা অতিক্রম করে এবং সংযুক্তিকরণে অসাধারণ কর্মক্ষমতা প্রদর্শন করে। নির্দিষ্ট মেট্রিক—নিবন্ধটির প্রশ্ন, এখানে গুণগত সিদ্ধান্তটি নথিভুক্ত করাই যথেষ্ট: পদ্ধতিটি কাজ করে এবং বিকল্পগুলোর চেয়ে ভালোভাবে করে।
উপাদানটির উপর কাজের গতিও উল্লেখযোগ্য। সাত মাসে পাঁচটি সংস্করণ—জানুয়ারি থেকে আগস্ট ২০২৬—বলে যে গবেষণাটি সক্রিয়ভাবে পরিমার্জিত হয়েছে: বাক্যগঠন বদলেছে, পরীক্ষা-নিরীক্ষা সম্প্রসারিত হয়েছে, বেঞ্চমার্ক স্পষ্ট করা হয়েছে।
এটি কোথায় কাজে লাগবে
DKGF-এর ব্যবহারিক তাৎপর্য একটি বৈজ্ঞানিক কাজের চেয়ে বিস্তৃত। যে কোনো শিল্পখাত, যেখানে যাচাই করা নলেজ গ্রাফ আছে এবং তা সম্প্রসারিত করার ইচ্ছা আছে, সাধারণ ডেটাবেস থেকে সযত্নে ধার নেওয়ার একটি হাতিয়ার পায়।
চিকিৎসা ও ফার্মাসিউটিক্যালস—স্পষ্ট প্রার্থী: সেখানে ডোমেইন অন্টোলজি বহুদিন ধরে বিদ্যমান, কিন্তু তাদের মধ্যে সম্পর্কের অভাব। আইনি ক্ষেত্র, শিল্প নিরাপত্তা, লজিস্টিকস, আর্থিক কমপ্লায়েন্স—সবখানেই নিজস্ব গ্রাফ আছে, আর সবখানেই হাতে না লিখে সেগুলো সম্পূরক করা যায়।
এখানে মূল বিষয় স্থানান্তরিত তথ্যের পরিমাণ নয়, বরং তাদের প্রাসঙ্গিকতা। «তথ্য একটি প্রোগ্রাম হিসেবে» পরিকল্পনা ঠিক এটিই লক্ষ্য করে: সাধারণ গ্রাফের জ্ঞান কপি করা হয় না, বরং লক্ষ্য ডোমেইনের স্থানাঙ্কে একরকম সম্পাদিত হয়, যৌক্তিক প্রাসঙ্গিকতার যাচাই ও গ্রানুলারিটি ক্যালিব্রেশনের মধ্য দিয়ে যাওয়ার পর।
এই ধারা যদি প্রতিষ্ঠিত হয়, ডোমেইন গ্রাফের বিকাশের তৃতীয় উৎস আবির্ভূত হবে—টেক্সট থেকে নিষ্কাশন এবং অভ্যন্তরীণ অনুমানের পাশাপাশি। এবং সম্ভবত, সবচেয়ে সমৃদ্ধ উৎস।
