في عالم الذكاء الاصطناعي، تعتبر نماذج تضمين كرسوم المعرفة (Knowledge Graph Embedding models) أداة أساسية لفهم العلاقات بين الكيانات المختلفة. ومع ذلك، تواصل تلك النماذج مواجهة مشكلة فقدان الروابط المتعلقة بعدم توازن درجات الكيانات في الرسم البياني.

تشير الأبحاث السابقة إلى أن هذه المشكلة مرتبطة بشكل فضفاض بأنواع العلاقات أو تحيز الدرجات، لكننا نثبت أن الأمر أكثر انتشارًا وأنه يتجلى بصورة ملحوظة حينما يتعلق الأمر بتوقع الكيانات ذات الدرجات المنخفضة مقارنةً بالكيانات العادية.

في سيناريوهات مثل أنظمة التوصية، يصبح من الضروري التصدي لهذه الفجوة، حيث يمكن أن تفشل التوقعات بشكل كبير. للتغلب على هذه العقبة، نقدم طريقة جديدة تُدعى "البحث اللاتيني أثناء الاستنتاج"، والتي تعمل على تحسين توقع النموذج على الحالات الأكثر عدم توازن.

تعتمد هذه الطريقة على نموذج مدرّب مسبقًا، حيث تقوم بالبحث في فضاء التضمين أثناء وقت التقييم، مما يسمح بدمج المعلومات المعروفة مع المعلومات خارج النطاق للحد من تأثير التحيز الناتج عن عدم التوازن في الدرجات.

أظهرت نتائجنا على بيانات معروفة أن أسلوبنا يتفوق على الطرق التقليدية، مؤكّدين إمكانية الاعتماد على نماذج تضمين كرسوم المعرفة في معالجة هذه الحالات الحرجة.