| dc.contributor.advisor | Αποστόλου, Δημήτριος | |
| dc.contributor.author | Διώτης, Γιώργος | |
| dc.date.accessioned | 2026-03-24T12:48:07Z | |
| dc.date.available | 2026-03-24T12:48:07Z | |
| dc.date.issued | 2026-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19054 | |
| dc.description.abstract | Η ραγδαία εξέλιξη των Large Language Models έχει επιτρέψει την ανάπτυξη συστημάτων ερώτησης–απάντησης με υψηλή γλωσσική ευχέρεια, τα οποία όμως παρουσιάζουν περιορισμούς σε εφαρμογές που απαιτούν ακριβή και επαληθεύσιμη γνώση. Ιδιαίτερα σε γνωσιακά εντατικές εφαρμογές, τα αυτόνομα γλωσσικά μοντέλα ενδέχεται να παράγουν απαντήσεις που δεν στηρίζονται σε πραγματικά δεδομένα, φαινόμενο γνωστό ως hallucination.
Η παρούσα εργασία προτείνει και υλοποιεί ένα υβριδικό σύστημα ερώτησης–απάντησης που συνδυάζει Retrieval-Augmented Generation και Knowledge Graphs, με στόχο τη βελτίωση της ακρίβειας και της αξιοπιστίας των παραγόμενων απαντήσεων. Το σύστημα αξιοποιεί μηχανισμούς ανάκτησης μη δομημένης γνώσης από συλλογή εγγράφων μέσω διανυσματικών αναπαραστάσεων, καθώς και ανάκτηση δομημένων γεγονότων από Knowledge Graph μέσω ερωτημάτων Cypher. Οι πληροφορίες από τις δύο πηγές συνδυάζονται σε ξεχωριστό στάδιο σύνθεσης, όπου παράγεται η τελική απάντηση.
Η εργασία παρουσιάζει το θεωρητικό υπόβαθρο των γλωσσικών μοντέλων, των συστημάτων Retrieval-Augmented Generation και των Knowledge Graphs, καθώς και τον σχεδιασμό και την υλοποίηση του προτεινόμενου συστήματος. Τέλος, συζητούνται οι περιορισμοί της παρούσας προσέγγισης και προτείνονται κατευθύνσεις για μελλοντική επέκταση και βελτίωση. | el |
| dc.format.extent | 46 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Ανάπτυξη υβριδικού συστήματος ερωταποκρίσεων με αξιοποίηση γλωσσικών μοντέλων και γράφου γνώσης | el |
| dc.title.alternative | Design and implementation of a hybrid conversational AI system using LLMs and knowledge graphs | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | The rapid advancement of Large Language Models has enabled the development of question answering systems with high linguistic fluency. However, such models exhibit limitations in knowledge-intensive applications, particularly when accurate and verifiable information is required. Autonomous language models may generate answers that are not grounded in factual data, a phenomenon commonly referred to as hallucination.
This thesis proposes and implements a hybrid question answering system that combines Retrieval-Augmented Generation and Knowledge Graphs to improve the accuracy and reliability of generated answers. The system retrieves unstructured knowledge from a document collection using vector-based representations and retrieves structured facts from a Knowledge Graph through Cypher queries. Information from both sources is integrated in a dedicated synthesis stage to produce the final response.
The thesis presents the theoretical background of language models, Retrieval-Augmented Generation, and Knowledge Graphs, followed by the design and implementation of the pro-posed hybrid system. Finally, the limitations of the current approach are discussed, and directions for future improvements and extensions are outlined. | el |
| dc.subject.keyword | RAG | el |
| dc.subject.keyword | NLP | el |
| dc.subject.keyword | Γλωσσικά μοντέλα | el |
| dc.subject.keyword | Γράφος γνώσης | el |
| dc.subject.keyword | Hybrid Q-A | el |
| dc.date.defense | 2026-02-20 | |
