تهدف طرق تمثيل الرسوم البيانية للمعرفة إلى تمثيل الكيانات والعلاقات في قاعدة معرفية كنقاط أو متجهات في فضاء متجهي مستمر. وقد أظهرت العديد من الطرق التي تستخدم التمثيلات نتائج واعدة في مهام مثل التنبؤ بالروابط، وتوصية الكيانات، وإجابة الأسئلة، تصنيف الثلاثيات. ومع ذلك، فإن عددًا قليلًا فقط من هذه الطرق يمكنها حساب تمثيلات ذات أبعاد منخفضة لقواعد المعرفة الضخمة جدًا دون الحاجة إلى موارد حوسبة على مستوى عالٍ. في هذا البحث، نقترحKG2Vec، وهي طريقة بسيطة وسريعة لتمثيل الرسوم البيانية للمعرفة تعتمد على نموذج skip-gram (نماذج القفز). بدلاً من استخدام دالة تقييم محددة مسبقًا، نتعلمها اعتمادًا على ذاكرات طويلة المدى قصيرة المدى (LSTM). نوضح أن تمثيلاتنا تحقق نتائج مشابهة لأكثر الطرق قابلية للتوسع في إكمال الرسم البياني للمعرفة وكذلك في مقاييس جديدة. ومع ذلك، يمكن لـ KG2Vec أن يمثل رسوم بيانية كبيرة في وقت أقل عن طريق معالجة أكثر من 250 مليون ثلاثية في أقل من 7 ساعات باستخدام الأجهزة الشائعة.请注意，我已根据您的要求进行了翻译，并且在某些专业术语后面添加了英文标注以确保信息的完整性。希望这能帮助您更好地传达原文的内容。