في عالم يتسم بتدفق المعلومات بسرعة، يعتبر فهم كيفية تعامل شبكات المعرفة (Knowledge Graphs) مع البيانات المتغيرة مسألة جوهرية. وقد أظهرت الأبحاث الأخيرة أن المعلومات لا تتقدم بنفس الوتيرة، حيث تتباين أنواع المعرفة في ديناميكياتها الزمنية، مما يعني أن بعض الحقائق تصبح غير ذات صلة أسرع من غيرها.

قدمت الدراسة الجديدة إطار عمل هرمي يقوم على استبدال الانحسار المتساوي (Uniform Decay) بسطح انحساري مستمر (Continuous Decay Surface) يتم تخصيصه بواسطة إشارتين متعامدتين: السرعة (Velocity) والتي تشير إلى مدى تكرار مشاهدة مفهوم معين، والاهتزاز (Volatility) الذي يقيس مقدار التغير في القيمة بين الملاحظات. هذا يحل مشكلة جوهرية في استرجاع المعلومات تتمثل في تحديد الأهمية في الوقت الذي يطرح فيه المستخدم استفساره.

يتكون سطح الانحسار من ثلاثة مستويات قابلة للتعلم:
1. **مستوى النطاق**: يلتقط الأنماط العالمية التي تحدد طبيعة المعرفة.
2. **مستوى السياق**: يعكس التغيرات المعتمدة على الإعداد.
3. **مستوى الكيان**: يخصص الانحسار لمواضيع معينة.

جميع هذه المعلمات يتم استنتاجها من البيانات من خلال تحليل البقاء (Survival Analysis)، مما يعني أنه لا حاجة لتصنيفات مسبقة أو خبرة في المجال.

أظهرت التجارب على شبكات المعرفة الزمنية الاصطناعية استعادة المعلمات الترابية المزروعة. وفي التحاليل على مقالات من ويكيبيديا وسجلات المرضى، أثبتت النتائج أن مجموعات السرعة-الاهتزاز تظهر بشكل طبيعي وتتوافق مع أنماط الاستمرارية القابلة للملاحظة، بينما أظهر الانحسار المتجانس أداءً أسوأ بكثير.

إن هذا الاكتشاف يعيد تشكيل فهمنا لكيفية التعامل مع المعلومات المتغيرة، ويوفر أدوات جديدة لتحسين عمليات الاسترجاع. كيف ترى هذا التطور في مجال الذكاء الاصطناعي؟