تعتبر القواعد المنطقية عنصرًا أساسيًا في استدلالات قواعد المعرفة (Knowledge Graphs)، حيث تتميز بإمكانية تفسيرها وقدرتها على نمذجة الأنماط العلاقية. ومع ذلك، تركز طرق استخراج القواعد الحالية بشكل أساسي على القواعد البسيطة على شكل سلاسل، مما يتجاهل المعلومات العلاقية الغنية التي تتضمنها الهياكل الرسومية، مثل الدورات والفروع. هذه المشكلة تتفاقم بسبب العوائق الحاسوبية الناتجة عن الانفجار التوافقي في فضاء البحث، مما يجعل القواعد الرسومية أكثر تحديًا.

في هذا السياق، يُقدم البحث الجديد إطار عمل GRiD (Graph-like Rule Discovery) الذي يقوم بإعادة صياغة اكتشاف القواعد الرسومية كعملية توليد تمييزية مشروطة على العلاقة المستهدفة. يعتمد GRiD على استراتيجية تدريب من مرحلتين؛ المرحلة الأولى هي تدريب تحت الإشراف يمكّن الإطار من التقاط المبادئ الهيكلية من المجموعات الفرعية المستخرجة من الميتا-غراف الخاص بقواعد المعرفة. وفي المرحلة الثانية، يتم تطبيق التعلم المعزز لتحسين GRiD من خلال تحسين سياسة التدرج، المستندة مباشرة إلى مقاييس جودة القواعد غير القابلة للاشتقاق.

تظهر التجارب التي أجريت على ستة مجموعات بيانات معيارية أن GRiD يحقق أداءً تنافسيًا في مهام استكمال قواعد المعرفة. كما تؤكد الدراسات التفصيلية كفاءة وموثوقية GRiD، مما يُبرز كيف تكمل القواعد الرسومية القواعد السلسلية في استكمال قواعد المعرفة. يمكنكم الاطلاع على الشيفرة المصدرية والمجموعات البيانات في [https://github.com/Haoxiang-Cheng/GRiD].