التنبؤ بالروابط شبه الاستقرائي (Semi-Inductive Link Prediction - LP) في الرسوم المعرفية (Knowledge Graphs - KG) هو مهمة التنبؤ بالحقائق لكيانات جديدة لم يتم رؤيتها من قبل، بناءً على معلومات السياق. رغم أنه يمكن في المبدأ دمج الكيانات الجديدة بإعادة تدريب النموذج من الصفر، فإن مثل هذا الأسلوب غير عملي للرسوم المعرفية ذات الحجم الكبير، حيث تكون إعادة التدريب باهظة الثمن وقد تظهر كيانات جديدة بشكل متكرر. في هذه الورقة البحثية، نقترح ونوضح معيارًا كبيرًا لتقدير أداء نماذج التنبؤ بالروابط شبه الاستقرائية. يعتمد هذا المعيار على ويتوسع في Wikidata5M: فهو يوفر مهام تنبؤ الروابط التحويلية (Transductive)، k-shot، والمهام 0-shot، مع اختلاف المعلومات المتاحة من (i) الهيكل فقط للرسم المعرفي، إلى (ii) تضمين الإشارات النصية، وصولاً إلى (iii) الوصف الدقيق للكيانات. نقدم دراسة صغيرة حول الأساليب الحديثة وأظهرت أن أداء التنبؤ بالروابط شبه الاستقرائي بعيد عن أداء التنبؤ التحويلي بالنسبة للكيانات ذوات الذيل الطويل في جميع التجارب. يوفر هذا المعيار بيئة اختبار لإجراء المزيد من الأبحاث حول دمج السياق والمعلومات النصية في نماذج التنبؤ بالروابط شبه الاستقرائية.