في عالم الذكاء الاصطناعي، تعد قواعد المعرفة (Knowledge Graphs) من الأدوات الأساسية التي تنظم المعرفة الواقعية على شكل ثلاثيات (triplets)، مما يساهم في تطوير العديد من التطبيقات العملية. ومع ذلك، تعاني هذه القواعد من نقص المعلومات، الأمر الذي يجعله موضوعًا مهمًا للدراسة في مجال إكمال قواعد المعرفة (Knowledge Graph Completion) والتي تعتمد غالبًا على تنبؤ الثلاثيات، حيث تُعتبر تنبؤات الروابط (link prediction) هي السائدة.

لكن ما هو المفقود هنا؟ التركيز ينصب فقط على عدم اكتمال معلومات الثلاثيات، متجاهلاً عدم اكتمال معلومات توافق الكيانات والعلاقات. هنا يأتي الابتكار الجديد الذي يتمثل في مهمة إكمال مجموعة العلاقات (Relation Set Completion) التي تقدم رؤية جديدة في معالجة هذا التحدي.

يهدف نموذج إكمال مجموعة العلاقات (RelSetE) إلى استنتاج العلاقات المفقودة التي تتماشى مع كيانات معينة، مما يُعد خطوة كبيرة نحو تحسين دقة قواعد المعرفة. يعتمد النموذج على استنتاج الأنماط المدفونة بين العلاقات المشاهدة للكيانات، مما يمكن الباحثين من الحصول على رؤية أعمق عن كيف يمكن للعلاقات أن تتفاعل أو تتناسق.

لتقييم فعالية RelSetE، تمت إجراء اختبارات واسعة النطاق باستخدام ثلاثة مجموعات بيانات معيارية مأخوذة من معايير قواعد المعرفة القياسية. وأظهرت النتائج أن النموذج قادر على التقاط الأنماط المتعلقة بالتوافق بين الكيانات والعلاقات بشكل فعّال، مما يجعله من النماذج الرائدة في تفكيك التحديات الجوهرية.

كود النموذج والبيانات متاحة للجمهور، ما يفتح أمام الباحثين والمهتمين بالإبداع في هذا المجال مجالات جديدة للتطوير والتجريب. هل أنتم مستعدون لاستكشاف هذه التقنيات الجديدة؟ شاركونا آراءكم في التعليقات.