توافق الكيانات باستخدام السياق الهيكلي">إحداث ثورة في توافق الكيانات باستخدام السياق الهيكلي
تعتبر عملية التوافق بين الكيانات (Entity Alignment - EA) من العمليات الأساسية في عملية دمج المعرفة والاستدلال عبر الرسوم البيانية المعرفية المتنوعة (Knowledge Graphs - KGs). ومع تطور الذكاء الاصطناعي، ظهرت نماذج جديدة تركز على تحسين هذه العملية.
أحد النماذج الرائدة في هذا المجال والذي يثير الإعجاب هو نموذج **ContextEA** الجديد، الذي يقدم إطار عمل متقدّم لكل من الممزق (encoder) والمُوسع (decoder) لتحسين توافق الكيانات.
#### التحديات الحالية
رغم نجاح النماذج السابقة في التعرف على الكيانات المتكافئة، إلا أن هناك بعض التحديات التي لا تزال قائمة. أولها هو ضعف تفاعل الرسوم البيانية أثناء عملية التشفير. وثانياً، الاعتماد المفرط على التشابه الخشن في تصنيف المرشحين، مما يؤثر سلباً على النتائج.
#### ما هو نموذج ContextEA؟
يعمل نموذج ContextEA على حل هذه التحديات بفعالية. حيث نقدم:
1. **محلل تفاعل الرسوم البيانية (Cross-KG Interaction Encoder)**: هذا المحلل يقوم بتوحيد الرسوم البيانية باستخدام الجسور الاستدلالية (Anchor Bridges) ويسهل الانتقال بين الرسوم البيانية بشكل علاقة واعية مبكراً.
2. **محلل التحقق الهيكلي (Structural Calibration Decoder)**: يقوم هذا المحلل بضبط درجات التوافق باستخدام أدلة هيكلية على مستوى الكيانات، والجوار، والعلاقات، مما يُعزز من فعالية بناء السياق الهيكلي واستثماره بشكل مناسب.
#### نتائج مذهلة
مؤخراً، أظهرت التجارب على 29 مجموعة بيانات لتوافق الكيانات في مجموعات OpenEA و SRPRS و DBP نتائج متسقة تُظهر تحسنًا ملحوظًا مقارنةً بالنماذج السابقة. ولعل الأهم أن نموذج ContextEA المدرب مسبقًا قد تجاوز النماذج المعالجة بالفعل في جميع المجموعات المرجعية الثلاث، مما يشير إلى قوة التحويل إلى الرسوم البيانية غير المرئية.