مع تزايد الاعتماد على الرسوم البيانية للمعرفة (Knowledge Graphs) في استخراج المعلومات بشكل تلقائي، تبرز التحديات المرتبطة بجودة هذه الاستخراجات. فغالبًا ما تؤدي الأنظمة الحالية إلى إنتاج بيانات غير دقيقة أو غير مكتملة، مما يؤثر سلبًا على الأداء اللاحق. هنا يأتي دور KGCQual، وهو إطار مبتكر يعتزم تقييم جودة الرسوم البيانية للمعرفة بشكل أفضل من خلال مقاييس فعالة وقابلة للتفسير.

هذا الإطار الجديد يقيس مدى قرب الرسم البياني المُستخرج من الرسم البياني "المثالي"، الذي يلتقط العبارات النحوية الأساسية، والعلاقات الموصوفة، والظواهر اللغوية الأساسية مثل النفي، كما هو متواجد في النص الأصلي.

يتكون KGCQual من مكونين متكاملين: الأول تقييم على مستوى الكيانات (entity-level assessment) الذي يقيم اكتمالية وجودة الوصلات والتواصل، والثاني تقييم على مستوى العلاقات (relation-level assessment) الذي يحكم على الحفاظ على العلاقات وعلاقتها بالتشابه اللغوي والتوافقية.

لقد أثبتت نتائج اختباراتنا عبر مجموعة من أنظمة استخراج البيانات الرائدة مثل WebNLG وTinyButMighty وBenchIE أن KGCQual يمكنه بشكل موثوق تحديد أوجه النقص والازدواجية والانحرافات الهيكلية التي يغفلها المقاييس الحالية. علاوةً على ذلك، يعرض العمل أساسًا قويًا لتقييم موحد لأساليب بناء الرسوم البيانية، ويشير إلى علاقة قوية بين درجات KGCQual وأداء توقع الروابط في الرسوم البيانية المُستخرجة. للمزيد من المعلومات، يمكنكم زيارة مستودع التعليمات البرمجية الرابط.

هل تعتقد أن هذا الإطار سيسهم بدور فعال في تحسين جودة بيانات الرسوم البيانية؟ شاركونا في التعليقات!