Ганжа, О. О. та Іванчук, Н. В. (2025) ГЕНЕРАЦІЯ ТЕКСТОВИХ ОПИСІВ ЗАПЧАСТИН ІЗ ВИКОРИСТАННЯМ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ ТА ГРАФОВОЇ ТЕХНОЛОГІЇ RETRIEVAL-AUGMENTED GENERATION (GRAPHRAG). Вісник Національного університету водного господарства та природокористування (1(109)). с. 202-213.

Text Vt4202517.pdf Download(2MB)

Анотація

У статті представлено систему автоматизованої генерації технічних описів товарів із використанням трансформерної моделі mt5-small та технології GraphRAG. Розроблене рішення спрямоване на вирішення проблеми створення точних і структурованих описів запчастин для великих інтернет-магазинів, де ручне формування контенту є трудомістким і ресурсозатратним. Основу системи становить граф знань на базі Neo4j, який зберігає інформацію про товари у вигляді взаємопов’язаних вузлів, що забезпечує ефективний семантичний пошук і отримання точних релевантних даних. Модуль, реалізований на Python, отримує інформацію за каталожним номером, формує запит до моделі, а згенерований результат подається через API з простим вебінтерфейсом для користувача. Оцінювання якості роботи системи за допомогою автоматизованих метрик та експертної перевірки підтверджує високу точність, інформативність і стилістичну відповідність створених описів до експертно підготовлених текстів. Представлена робота демонструє ефективність поєднання трансформерних моделей та технології GraphRAG для генерації релевантного контенту в галузі електронної комерції.

Title in English

GENERATION OF SPARE PARTS TEXT DESCRIPTIONS USING DEEP LEARNING MODELS AND GRAPH-BASED RETRIEVAL-AUGMENTED GENERATION (GRAPHRAG) TECHNOLOGY

English abstract

This paper presents the development and evaluation of a system for the automated generation of technical product descriptions using deep learning models and GraphRAG technology. The proposed approach addresses the challenges of producing accurate, structured, and SEO-optimized descriptions for spare parts in large-scale ecommerce environments, where manual content creation is timeconsuming and resource-intensive. Transformer-based generative models can produce fluent and human-like text, but often suffer from factual inaccuracies when lacking access to domain-specific data. To overcome this, the system integrates a Neo4j-based knowledge graph, which stores products and their attributes as interconnected nodes and relationship properties, enabling semantic enrichment and accurate data retrieval. A custom Python module extracts relevant information based on catalog numbers, structures it into a standardized prompt, and sends it to a multilingual transformer model (mt5-small) fine-tuned on domain-specific data. The Graph Retrieval-Augmented Generation (GraphRAG) approach allows the model to incorporate external structured knowledge, improving factual consistency and reducing hallucinations. The system includes a REST API built with FastAPI and a lightweight HTML+JS interface, with all components containerized using Docker for flexible deployment. Evaluation using ROUGE metrics demonstrates that the generated texts are stylistically and structurally aligned with expertwritten descriptions, while the use of a knowledge graph significantly improves accuracy. Identified issues such as inconsistent or duplicated source data underline the importance of high-quality knowledge base design. Overall, the study confirms that combining transformer models with GraphRAG-based knowledge augmentation offers a scalable and effective solution for generating precise and contextually relevant product content in the domain of agricultural machinery parts.

Перегляд елементу

Завантажень