في عالم البيانات الكبيرة والرسوم البيانية المعقدة، يصبح التحقق من صحة البيانات أمراً حيوياً لضمان دقتها. يأتي نموذج SHACL، الذي يتيح التحقق من صحة الأشكال، ليؤكد على أهمية التعلم التلقائي للأشكال في تطبيقات الرسوم البيانية للمعرفة.

يتناول البحث الجديد الذي نشر في arXiv تحت العنوان "تعلم الأشكال من التجارب: الأسس القوية لتعلم الأشكال في SHACL التكراري"، الطريقة المعروفة باسم المنهجية المناسبة (fitting approach) لتحقيق هذا الهدف. حيث يتم تقديم مجموعة من الأمثلة الإيجابية (positive example nodes) والسلبية (negative example nodes) من الرسم البياني المدخل، بهدف حساب تعبير شكل (shape expression) صادق لجميع النماذج في المجموعة الإيجابية وغير صادق في المجموعة السلبية.

يركز البحث على كتابة هذا التعبير في جزء رئيسي من SHACL يتماشى مع المنطق الوصفي (Description Logic) المعروف باسم ELI. كما يستعرض النتائج الأساسية حول إمكانية وجود المنهج المناسب (fitting existence) وحساب المنهج الأكثر تحديداً (most specific fitting computation)، حيث تم تحديد حدود زمنية صارمة لضمان الكفاءة في العملية الحسابية.

إن هذا التطور في تعلم الأشكال يعد خطوة مهمة لمطوري وخبراء البيانات، حيث يدعم إمكانية دمج التحقق الآلي للأشكال في مختلف التطبيقات، مما يزيد من فعالية وموثوقية الأنظمة الذكية.