تُعتبر رسوم المعرفة (Knowledge Graphs) الأداة الأساسية لتنظيم المعلومات على شكل ثلاثيات من الكيانات والعلاقات، مما يمكّن نماذج التعلّم الآلي (Machine Learning) من استنتاج ثلاثيات مفقودة في عملية تُعرف باسم استكمال رسوم المعرفة (Knowledge Graph Completion - KGC). ومع ذلك، تبقى إحدى التحديات الكبرى في هذا المجال هي التفسير البعدي، الذي يهدف إلى تحديد الثلاثيات التي تؤثر بشكل أكبر على قرارات نماذج التعلّم الآلي.

للأسف، يفتقر هذا القطاع إلى التجانس في التقييمات والمعايير، مما يعيق القدرة على إعادة إنتاج النتائج مقارنة بالدراسات المختلفة. ولكن، تقدم ورقة بحثية جديدة مقاربة مبتكرة من خلال اقتراح تصنيف موحد للتفسيرات البعدية في سياق استكمال رسوم المعرفة.

تستهل هذه الورقة بتوصيف شامل للتفسيرات البعدية عبر تحسين متعدد الأهداف، مسلطةً الضوء على كيفية توحيد خوارزميات التفسير المتعددة في KGC، مع التركيز على التوازن بين فعالية التفسير وإيجاز المعلومات.

علاوة على ذلك، تعالج الورقة بروتوكولات التقييم المحسّنة استنادًا إلى مقاييس شائعة مثل متوسط الترتيب العكسي (Mean Reciprocal Rank) وHits@k، مدعومة بتجارب توضيحية تعزز من فاعلية البحث.

تُبرز الورقة أيضًا أهمية التفسير القابل للفهم بوصفه القدرة على معالجة استفسارات ذات معنى للمستخدمين النهائيين. من خلال توحيد الأساليب ومناقشة معايير التقييم، تعزز هذه الدراسة من أهمية البحث الذي يتمتع بإمكانية إعادة إنتاجية وتأثير أكبر في مجال تفسيرات KGC.