في عصر تتسارع فيه الابتكارات التقنية، تبرز الرسوم البيانية المعرفية (Knowledge Graphs) كأداة حيوية بالغة الأهمية للعديد من التطبيقات على الويب، مثل استرجاع المعلومات وأنظمة التوصية. ومع ذلك، تظل هذه الرسوم عادةً غير مكتملة، سواء تم بناؤها يدوياً من قبل خبراء ميدانيين أو عبر أنظمة آلية.

مؤخراً، بدأت الأبحاث في استكشاف استخدام الوصف النصي المتوفر في الرسوم البيانية المعرفية لتعلم تمثيلات متجهية للكيانات، من أجل تنفيذ توقع الروابط. ولكن مدى إمكانية تعميم هذه التمثيلات المكتسبة على مهام أخرى غير واضح. لذلك، نحتاج إلى تمثيلات يمكن أن تُنقل إلى مهام أخرى دون الحاجة إلى إعادة التدريب، وفي نفس الوقت تحتفظ بأداء مرضٍ.

في هذه الدراسة، نقدم بروتوكول تقييم شامل للتمثيلات المستخلصة للكيانات من خلال هدف توقع الروابط. نأخذ في الاعتبار مهام توقع الروابط الاستنتاجية وتصنيف الكيانات، التي تشمل الكيانات التي لم تُرَ خلال مرحلة التدريب. كما ننظر في مهمة استرجاع المعلومات للبحث الموجه نحو الكيانات.

نجري تقييمًا لهندسة تعتمد على نموذج لغوي مسبق التدريب، الذي يُظهر عموميات قوية للكيانات غير الملحوظة أثناء التدريب، ويتفوق على الطرق الحديثة ذات الصلة، حيث حققنا تحسنًا متوسطًا بنسبة 22% في معدل الاسترجاع الجيد (MRR).

علاوة على ذلك، نقدم أدلة على أن التمثيلات المكتسبة يمكن أن تنتقل بسلاسة إلى مهام أخرى دون الحاجة إلى ضبط دقيق. بالنسبة لمهمة تصنيف الكيانات، حصلنا على تحسين متوسط بنسبة 16% في الدقة مقارنة بالأساسيات التي تعتمد أيضًا على نماذج مسبقة التدريب. كما حققنا تحسينات ملحوظة تصل إلى 8.8% في محسن NDCG@10 للاستعلامات باللغة الطبيعية في مهمة استرجاع المعلومات.

وبذلك، نثبت أن التمثيلات المكتسبة ليست محدودة بالمهام ذات الصلة بالرسوم البيانية المعرفية فقط، بل تمتلك خصائص تعميم أكبر مما تم تقييمه في الأبحاث السابقة.