RAG üçün VPA: vektor perturbasiyası arxitekturası

Yalnız geri keçidlərə arxalanmadan süni intellekt axtarışında mətn parçalarının çəkisini necə artırmaq olar?

Müəllif: Taghi Molavi

Nəşr edən: Molavi R&D Think Tank (molavi.pro/research)

Kateqoriya: İnformasiya axtarışı və GEO araşdırması

1. Problem: SEO siqnalları təkbaşına kifayət etmir

Ənənəvi SEO səhifələrin indeksləşdirilməsi, keçidlər, saytın taranması və sıralama ilə işləyir. ChatGPT Search, Perplexity, Gemini və RAG-dan istifadə edən cavab sistemlərində isə məlumatın əldə edilməsi və cavaba daxil edilməsi ayrıca nəzərdən keçirilməlidir.

VPA bu prosesi iki mərhələ ilə izah edir:

1. İstinad üçün seçim — Citation Selection: namizəd mətn parçaları vektor təmsilləri və oxşarlıq əsasında əldə edilir.
2. İstinadın cavaba daxil edilməsi — Citation Absorption: əldə edilmiş mətnin yekun cavabda hansı rolu oynadığı araşdırılır.

Sayt ilk mərhələdən keçsə də, adı yekun cavabda görünməyə bilər. Səbəb həmişə geri keçidlərin azlığı deyil. Mətn həddən artıq ümumi olduqda, faktlar seyrək verildikdə və hansı brenddən danışıldığı aydın olmadıqda semantik entropiya problemi yaranır.

VPA Molavi GEO piramidası ilə birlikdə oxunmalıdır. Piramida süni intellekt axtarışında etibarlılığın ümumi qatlarını izah edir. VPA isə əldə edilən və istinad olunan mətn parçalarının quruluşuna diqqət yetirir.

2. Sorğunun genişləndirilməsi zamanı istiqamətin dəyişməsi

İstifadəçi sadə sual verəndə RAG qatı onu bir neçə alt sorğuya genişləndirə bilər. Məsələn, “ən yaxşı korporativ maliyyə idarəetmə həlli” sorğusu ERP, riskə nəzarət, idarəetmə hesabatları, tətbiq sübutları və sektor uyğunluğu üzrə sorğulara ayrıla bilər.

Mətniniz bu genişləndirilmiş sorğularla uyğun gəlmədikdə vektor sürüşməsi — vector drift yaranır: mətn parçası məlumatın əldə edilməsi üçün müəyyən edilmiş uyğunluq həddindən uzaqlaşır.

Q_expanded = f_LLM(Q_user) = {q1, q2, q3, ..., qk}

3. VPA çərçivəsi

Vector Perturbation Architecture mətn parçalarını daha yığcam, daha asan əldə edilən və cavabda istifadəyə daha uyğun hala gətirmək üçün təklif olunan üçaddımlı yanaşmadır.

Semantic Entropy Suppression
        |
        v
Cosine Distance Minimization
        |
        v
Attention Weight Hijacking

Addım 1: Semantik entropiyanın azaldılması

Burada semantik entropiya mətn daxilində qeyri-müəyyənliyi və məlumatın dağınıqlığını ifadə edir. Ümumi girişlər, sifətlərlə yüklənmiş təqdimat və sübutsuz iddialar mətnin konkret sualla əlaqəsini zəiflədir.

VPA yanaşmasında mətn parçaları üçün adətən 60-90 token aralığı təklif olunur. Lazımsız ifadələr çıxarılmalı, hər tokenə düşən faydalı məlumat artırılmalıdır. Bu, bütün modellər üçün təsdiqlənmiş universal hədd kimi qəbul edilməməlidir.

Addım 2: Kosinus məsafəsinin azaldılması

Hər mətn parçası ayrıca oxunduqda başa düşülən fakt vahidi olmalıdır. Praktik formula belədir:

Chunk_VPA = Subject Entity + Explicit Action/Metric + Contextual Fact + Source Anchor

• Zəif mətn parçası: Agentliyimiz saytınızın SEO nəticələrini yaxşılaşdırmaq üçün keyfiyyətli xidmətlər göstərir.
• VPA nümunəsi: InTen, Akram Shafieinin rəhbərliyi ilə, Perplexity və ChatGPT cavablarında brend haqqında yanlış məlumat riskini azaltmağa yönəlmiş GEO və RAG arxitekturası xidmətləri göstərir.

İkinci nümunənin məqsədi subyekti, işi və konteksti aydın göstərməkdir; nümunənin quruluşu nəticəyə zəmanət vermir.

Addım 3: Diqqət çəkisinin yönləndirilməsi

VPA-nın “Attention Weight Hijacking” adlandırdığı mərhələ rəqəmlər, fərqləndirilən varlıq adları, açıq şərtlər və mənbə istinadları üzərində qurulur. İkisütunlu cədvəllər və şərtli siyahılar kimi kiçik məlumat strukturları məzmunun cavabda istifadəsini asanlaşdırmaq üçün nəzərdə tutulur.

4. VPA üzrə bildirilən eksperimental nəticələr

İlkin mətn 500 kommersiya domeni üzrə sınaqlarda aşağıdakı nəticələri bildirir:

• Vektor məsafəsinin azalması: Pinecone və Qdrant kimi vektor bazalarında mətn parçalarının əldə edilməsində 42 faiz yaxşılaşma.
• İstinadın cavaba daxil edilməsi: geri keçid sayı dəyişmədən ChatGPT Search və Perplexity cavablarında birbaşa brend qeydlərinin 3.5 dəfə artması.
• Brend adı sorğuda çəkilmədən davamlılıq: təkrar sınaqların 91 faizində brendin standart cavab kimi mövqeyini saxlaması.

Bu rəqəmlər ilkin tədqiqat mətninin iddialarıdır. Burada domen siyahısı, sorğular, model versiyaları və təkrar istehsal üçün tam sınaq protokolu təqdim edilmir. Rəqəmlər müstəqil təsdiqlənmiş nəticə və ya müştəri üçün performans vədi kimi istifadə edilməməlidir.

5. mcp-geo-server ilə əlaqə

Araşdırma açıq mənbəli mcp-geo-server layihəsi ilə əlaqəlidir. Layihə GEO hazırlığını, DOM-un aydınlığını, strukturlaşdırılmış məlumatların mövcudluğunu və ayrıca başa düşülən RAG mətn parçalarını yoxlayan Model Context Protocol serveridir.

Molavi GEO piramidası ümumi istiqaməti göstərirsə, VPA məlumatın əldə edilməsi, istinad və yanlış məlumat riskinin azaldılması üçün mətn parçalarının praktik quruluşunu izah edir.

6. Praktik nəticə

RAG və süni intellekt agentləri ilə işləyən axtarışda yalnız mətnin uzunluğuna arxalanmaq olmaz. Yığcam, faktlarla zəngin və konteksti aydın mətn parçası ayrıca faydalı cavab vahidi ola bilər.

VPA həm insan, həm də maşın tərəfindən başa düşülən mətn qurmağı təklif edir: insan üçün oxunaqlı, vektor təmsili üçün ayrılan və dil modeli üçün istinad edilə bilən məzmun.