في عالم الذكاء الاصطناعي وتعلم الآلة، أصبحت تقنيات التضمين شائعة بشكل متزايد نظرًا لقدرتها على معالجة مهام مثل التنبؤ بالروابط وتصنيف ثلاثيات البيانات في الرسوم البيانية المعرفية (Knowledge Graphs, KGs). تعتمد هذه النماذج على كل من العينات الإيجابية والسلبية لتدريب الخوارزميات.

ومع ذلك، تواجه النماذج الحالية صعوبة في التعامل مع العينات السلبية، حيث تحتوي الرسوم البيانية المعرفية بشكل عام على تأكيدات إيجابية فقط. وهذا يعني أن العينات السلبية تحتاج إلى توليدها بشكل اصطناعي، باستخدام استراتيجيات مختلفة، بدءًا من التلاعب العشوائي البسيط وصولًا إلى الأساليب الأكثر تعقيدًا التي تستغل المعلومات الهيكلية أو الدلالية.

لذا، ولتجاوز هذه العقبات، تم تقديم إطار العمل الجديد PyKEEN-NSX كإضافة لإطار عمل PyKEEN الشهير، الذي يتيح تخصيص عمليات السحب النفي (Negative Sampling) بمرونة عالية. يوفر هذا الإطار بنية هندسية معيارية تمكن المستخدمين من تطوير استراتيجيات متقدمة، تشمل الدمج بين approaches الثابتة والبسيطة والديناميكية.

من خلال هذا الهيكل، تم تصميم ست عينات سالبة جديدة، مما يجعلها متوافقة تمامًا مع تدفقات العمل الحالية في PyKEEN. تدعم هذه المرونة تحسين الكفاءة عبر التطبيقات المختلفة، مما يشير إلى أن بركة العينات السلبية يمكن بحال من الأحوال ألا تتقيد بأعداد معينة، مما يتيح الاستفادة من الاستراتيجيات العشوائية كبديل في الحالات الطارئة.

هل أنتم مستعدون لاستكشاف الأبعاد الجديدة لهذه التقنيات؟ تابعوا معنا لمزيد من التطورات في مجال الذكاء الاصطناعي!