في عالم الذكاء الاصطناعي، يُعتبر تقدير أهمية العقد في الرسوم البيانية المعرفية المتغايرة (Heterogeneous Knowledge Graphs) مسألة أساسية تؤثر بشكل مباشر على أنظمة التوصية والبحث. وبينما تعتمد العديد من الأساليب الحالية على آليات التمرير الرسائلي الثنائي، فإنها تنجح في التقاط التفاعلات عالية الترتيب التي تفرضها الهياكل المترابطة.

من هنا، يبرز نموذج DualHNIE، وهو إطار عمل مبتكر للتعلم المعتمد على الرسوم البيانية المزدوجة، الذي يقدم طريقة جديدة لتقدير أهمية العقد. يركز هذا النموذج على إنشاء رسوم بيانية معرفية مرتفعة الترتيب من خلال تشكيل روابط معينة (hyperedges) من تسلسلات الطرق المترابطة (meta-path sequences)، مما يسمح بنمذجة صريحة للتفاعلات العالية الترتيب.

يكمن تفرد DualHNIE في تقديمه لمشفرتين متكاملتين؛ الأولى شبكة انتباه (attention network) تتعامل مع الرسوم البيانية المترابطة، حيث تقوم بتجميع البيانات محليًا للالتقاط الفعال للاعتماديات الهيكلية. أما الثانية، فهي محول (transformer) الرسوم البيانية المتفرقة، الذي يتيح التعامل مع التفاعلات الدلالية العالمية مع الحفاظ على حسابات قابلة للتطوير.

علاوة على ذلك، تم تصميم آلية محاذاة تباينية (contrastive alignment) مع إشراف إضافي، مما يضمن توافقًا عبر وجهات النظر المختلفة مع الحفاظ على تمثيل خاص بكل نمط.

تظهر التجارب المكثفة على عدة مجموعات بيانات مرجعية أن DualHNIE يتفوق على الأساليب المتقدمة، مما يثبت فعالية النمذجة عالية الترتيب وتعلم التمثيلات المزدوجة المتباينة في الرسوم البيانية المعرفية المتغايرة. هل أنتم مستعدون لاستكشاف التحولات القادمة في عالم الذكاء الاصطناعي؟