تُعد استجابة الاستعلامات المعقدة (Complex Query Answering - CQA) واحدة من أهم مهام الاستدلال المتعلقة بالرسوم البيانية للمعرفة (Knowledge Graphs - KGs)، حيث تهدف إلى تقديم إجابات لاستفسارات منطقية من الدرجة الأولى من KGs غير الكاملة. ورغم أن طرق الذكاء الاصطناعي الحالية تحقق أداءً جيدًا، إلا أنها تواجه تحديات كبيرة تتمثل في تعقيد البيانات الذي يتزايد بشكل تربيعي مع زيادة عدد الكيانات، بالإضافة إلى تعقيد الاستعلامات غير القابل للحل (NP-hard) للاستعلامات الدائرية.

للتغلب على هذه المعوقات، اقترح الباحثون طريقة بحث رمزي فعّالة وقابلة للتوسع تقوم على مكونين رئيسيين: (1) استراتيجيات تقييد تقلل بشكل كبير من مجال البحث المتغير، مما يؤدي إلى تقليل تعقيد البيانات؛ و(2) خوارزمية بحث محلي تعمل على حل تقريبي للاستعلامات الدائرية الصعبة.

أظهرت التجارب التي تمت على مجموعة متنوعة من معايير CQA أن طريقة البحث هذه حققت نسبة 97% في متوسط معدل الاستجابة النسبي (MRR) مع زيادة في السرعة تصل إلى 10 مرات باستخدام فقط 10% من مساحة البحث. علاوة على ذلك، أظهرت هذه الطريقة أداءً قويًا على استعلامات دائرية معقدة واجتماعات بيانات كبيرة، مما ساهم في تخفيف التحديات المرتبطة بالكفاءة وقابلية التوسع. للمزيد من التفاصيل، يمكن الاطلاع على الكود البرمجي المتاح هنا.