في عالم الذكاء الاصطناعي، تعتبر تتبع وتحديث المعرفة عن الكيانات والمعلومات جزءًا مهمًا من تطوير نماذج التضمين. تمثل نماذج تضمين المعرفة (Knowledge Graph Embeddings - KGEs) أداة هامة تدعم مجموعة واسعة من المهام المرتبطة بالشبكات المعرفية (Knowledge Graphs - KGs). وفي ظل تطور هذه الشبكات مع إضافة كيانات وحقائق حديثة، تبرز الحاجة إلى أساليب تضمين المعرفة المستمرة (Continual Knowledge Graph Embedding - CKGE) التي تعمل على تحديث التضمينات مع الزمن.

ومع ذلك، تكشف دراسة جديدة عن ظاهرة مثيرة تسمى "تداخل الكيانات"، حيث يمكن أن تتداخل التضمينات الخاصة بالكيانات الجديدة مع تلك التي تم تعلمها سابقًا، مما يؤدي إلى أداء يُظهر تدهورًا في النتائج بما يعرف بنسيان الكارثة. هذا المفهوم لم يُؤخذ بعين الاعتبار في بروتوكولات تقييم CKGE الحالية، مما يسفر عن تقديرات مضللة لأداء النماذج.

للتصدي لهذه المشكلة، تم تقديم بروتوكول تقييم مصحح يأخذ في اعتباره تداخل الكيانات. وأظهرت التجارب التي أجريت على العديد من المعايير أن إغفال تأثير تداخل الكيانات يمكن أن يؤدي إلى تقدير أداء زائد يصل حتى 25%، خاصة في السيناريوهات التي تتضمن نموًا كبيرًا في عدد الكيانات.

كما تم تحليل كيفية تأثير مصادر النسيان المختلفة على أساليب CKGE ونماذج KGE المختلفة، وتقديم مقياس لنسيان الكارثة مصمم خصيصًا لـ CKGE. هذا البحث يفتح بابًا جديدًا لفهم أفضل لكيفية تحسين نماذج تضمين المعرفة وعلاج مشكلات الأداء المتعلقة بها.