في عصر الذكاء الاصطناعي، تعتبر الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) من أبرز التطورات في كيفية تعاملنا مع البيانات المعقدة على شكل رسوم بيانية. حيث تتميز هذه النماذج بقدرتها الفريدة على معالجة البيانات الهيكلية، مما يجعلها مثالية لتطبيقات رسم خرائط المعرفة (Knowledge Graphs - KGs).

ومع ذلك، كانت هناك حاجة ملحة لاستعراض منهجي لكيفية استخدام هذه النماذج في مجمل تكنولوجيا رسم خرائط المعرفة. كتبت دراسة شاملة تقدم تصنيفًا من مستويين لتكنولوجيا رسم خرائط المعرفة المعتمدة على GNN.

يتم تقسيم تقنيات رسم الخرائط إلى عدة مجالات، تشمل: إنشاء خرائط المعرفة، تضمين خرائط المعرفة، استدلال المعرفة، وتطبيقات خرائط المعرفة. يُضاف إلى ذلك، يقدم التصنيف المبتكر نظرة جديدة على كفاءة تقنيات GNN مثل نموذج (Graph Convolutional Network - GCN)، (Graph Attention Network - GAT)، و(Hypergraph Neural Network - HGNN).

تم تحليل فوائد تكنولوجيا GNN وفقًا للمهام المختلفة في دورة حياة رسم خرائط المعرفة. وبدورها، استعرضت الدراسة نماذج عدة معتمدة على GNN وتلخيص نقاط القوة والضعف لكل منها.

وأخيرًا، تم تناول التحديات التي لم تُحل، مع تقديم اتجاهاً واعداً لأبحاث مستقبلية في هذا المجال المتنامي بسرعة.

هذا التحليل يساهم في إضفاء وضوح على البنية الجوانية لتكنولوجيا الذكاء الاصطناعي ويدعو الباحثين لاستكشاف الإمكانيات الجديدة التي يمكن أن تنجم عن دمج GNNs مع KGs.