تعتبر قواعد البيانات المعرفية المتخصصة (Domain-Specific Knowledge Graphs - DKGs) أساسية في العديد من التطبيقات، لكنها غالبًا ما تعاني من نقص في التغطية مقارنةً بقواعد المعرفة العامة (General Knowledge Graphs - GKGs). في السابق، كانت الأساليب المُعتمدة لتغذية هذه القواعد تعتمد على استخراج المعلومات من البيانات غير المنظمة أو إكمال القواعد من خلال الاستنتاج الداخلي، ولكن كانت النتائج محدودة في الجودة والنطاق.

تكشف هذه التحديات عن فجوة مهمة في الأبحاث: عدم وجود استكشاف منهجي حول كيفية الاستفادة من قواعد المعرفة العامة العالية الجودة لتعزيز القواعد المعرفية المتخصصة. للتصدي لهذه الفجوة، تقدم الدراسة الجديدة مهمة مبتكرة تُعرف باسم دمج القواعد المعرفية المتخصصة (Domain-Specific Knowledge Graph Fusion - DKGF). تكمن الفكرة الأساسية في الاستفادة من المعلومات ذات الصلة من القواعد العامة لزيادة اكتمال وفائدة القواعد المتخصصة.

تواجه هذه المهمة الجديدة تحديين رئيسين: الأول هو صعوبة تحديد ما إذا كانت المعلومات من قاعدة المعرفة العامة ذات صلة فعلية بالمجال المستهدف، والثاني هو تفكيك التباين في دقة المعرفة بين المجالات. حيث تكون الحقائق في القواعد العامة غالبًا مجردة وعميقة، بينما تتطلب القواعد المتخصصة تمثيلات أكثر تحديدًا تتماشى مع سيناريوهات معينة.

لحل هذه التحديات، يقدم الباحثون إطار عمل جديد يسمى ExeFuse، والذي يعتمد على برمجيات تربط بين التفكير المنطقي والمعالجة اللغوية. يعتبر ExeFuse الدمج عملية قابلة للتنفيذ، حيث يستخدم عمليات التنفيذ الذهنية لاستنتاج الصلة المنطقية التي تتجاوز التشابه السطحي، مع تكييف الدقة وفقًا لاحتياجات الفضاء المستهدف.

بالإضافة إلى ذلك، تم إنشاء مجموعات بيانات جديدة لتأسيس أول مجموعة تقييم موحدة لهذه المهمة. أظهرت تجارب كثيرة أن ExeFuse يتجاوز الحواجز بين المجالات لتحقيق أداء دمج متفوق. من خلال هذا الابتكار، تُفتح الأبواب لتحسين دقة وقوة القواعد المعرفية المتخصصة، مما يساهم في تعزيز جودة المعرفة في مجالات متعددة.