تُعد الطرق التقليدية لتمثيل الرسوم البيانية المعرفية (Knowledge Graph Embedding) عادةً تُحول الكيانات إلى تمثيلات وتنفذ دوال تقييم للتنبؤ بالكيانات المستهدفة، لكنها غالبًا ما تواجه صعوبات في التفكير المنطقي بالنسبة للكيانات النادرة أو التي لم تُرَ من قبل. في هذه الورقة، نُقدّم KNN-KGE، وهي طريقة جديدة لتمثيل الرسوم البيانية المعرفية تعتمد على نماذج لغوية مُدرّبة مسبقًا، من خلال التداخل الخطي لتوزيع الكيانات مع أقرب جيرانها (k-nearest neighbors). نحسب الجيران الأقرب بناءً على المسافة في فضاء تمثيل الكيانات المستمدة من قاعدة المعرفة. تُمكّن هذه الطريقة الكيانات النادرة أو المُتَجَدِّدة من التذكّر الصريح، بدلًا من التذكّر الضمني في معاملات النموذج. أظهرت النتائج التجريبية أن طريقة العمل لدينا تُحسّن نتائج التنبؤ بالروابط في السياقات الاستنتاجية (inductive) والتحويلية (transductive)، وتحقق أداءً أفضل في البيئات ذات الموارد المحدودة، حتى مع عدد قليل جدًا من الأزواج الثلاثية (triples)، مما قد يُسهّل التفكير المنطقي من خلال الذاكرة الصريحة. يمكن الوصول إلى الكود عبر الرابط: https://github.com/zjunlp/KNN-KG.