في عالم الذكاء الاصطناعي، تُعتبر الإجابة على الأسئلة باستخدام الرسوم البيانية المعرفية (Knowledge Graph Question Answering - KGQA) مجالاً حيوياً. يهدف هذا المجال إلى الإجابة عن الأسئلة المطروحة باللغة الطبيعية من خلال التفكير في الحقائق المنظمة. ومع ذلك، تواجه الأنظمة الحالية تحديات كبيرة، أهمها اتساع مساحة البحث عند استخدام مسارات مختلطة ذات نوعيات غير متناسقة.

للتغلب على هذه القضايا، تم تطوير **نموذج OPI** (Ontology-Guided Evidence Path Inference). هذا الإطار الجديد يسهم في تحسين فعالية الإجابة عن الأسئلة المعقدة عبر استخدام رسم بياني موجه بواسطة ontologies، الذي يلتقط قيود العلاقة بين الأنواع المختلفة للأسئلة.

يعمل نموذج OPI على تقديم آلية استرجاع ثنائية الاتجاه، حيث يربط نوع الإجابة المتوقع بالعلاقات النهائية المتوافقة، مما يقلل من تشوش المسارات المختلطة. بالإضافة إلى ذلك، يعتمد OPI على استراتيجية تحسين تدريجية لإعادة تقييم المسارات المسترجعة والإجابات المحتملة في سياق السؤال، مما يضمن زيادة موثوقية التنبؤ بالإجابات.

أظهرت التجارب على مجموعة بيانات WebQSP وCWQ وMetaQA أن نموذج OPI يقلل بشكل كبير من مساحة البحث، حيث ارتفعت دقة Hit@1/F1 بمقدار 4.6 و5.0 نقاط على WebQSP و8.9 و3.3 نقاط على CWQ مقارنةً بأفضل النتائج السابقة. بالإضافة إلى ذلك، حقق نموذج OPI أداءً متفوقاً في Hit@1 على MetaQA باستخدام وحدة الاسترجاع فقط.

تعتبر هذه التطورات بمثابة قفزات نوعية في مجال الذكاء الاصطناعي، مما تفتح آفاق جديدة للبحث والتطبيقات المستقبلية.