هل العينات السلبية ضرورية في التماثل الكيانات؟ نهج يُظهر أداءً عاليًا، وقابلية توسع، ومتانة

يهدف التوافق بين الكيانات (Entity Alignment - EA) إلى تحديد الكيانات المكافئة في مجموعات المعرفة المختلفة، وهو خطوة حاسمة في دمج عدة مجموعات معرفية. ومع ذلك، تتمتع معظم الطرق الحالية لـ EA بقابلية توسعة ضعيفة ولا تستطيع التعامل مع مجموعات بيانات ضخمة. نلخص ثلاث مشكلات تؤدي إلى التعقيد العالي في الوقت والمساحة في الطرق الحالية لـ EA: (1) مشغلات الرسم البياني غير الفعالة، (2) المعضلة الناتجة عن العينة السلبية، و(3) "النسيان الكارثي" في التعلم شبه المراقب. لمعالجة هذه التحديات، نقترح طريقة جديدة لـ EA تضم ثلاث مكونات جديدة تتيح أداءً عاليًا، وقابلية توسعة عالية، وثباتًا عاليًا (PSR): (1) مشغل رسم بياني مبسط مع عينة الرسم البياني العلاقة، (2) دالة خسارة متوافقة دون عينة سلبية، و(3) تعلم شبه مراقب تدريجي. علاوةً على ذلك، نُجري تجارب مفصلة على عدة مجموعات بيانات عامة لفحص فعالية وكفاءة الطريقة المقترحة. تُظهر نتائج التجارب أن PSR لا تتفوق فقط على أفضل الأداء السابق (SOTA) من حيث الأداء، بل تمتلك أيضًا قابلية توسعة وثباتًا ملحوظين.