دمج رؤوس المعرفة الواعية بالخصائص المكانية والمركزية

أصبحت تمثيلات الرسوم البيانية المعرفية (KGE) في الآونة الأخيرة محط اهتمام العديد من الدراسات في مجال الذكاء الاصطناعي نظرًا لتطبيقاتها في حل المهام الثانوية، بما في ذلك التنبؤ بالروابط والتصنيف العنصري. ومع ذلك، فإن معظم نماذج تمثيل الرسوم البيانية المعرفية تُشفر فقط البنية الرسومية المحلية للعنصر، أي معلومات الجيران ذوي الدرجة الأولى (1-hop). إن التقاط البنية الرسومية المحلية فحسب لا يكفي؛ بل يُعدّ التقاط السمات العالمية للعناصر أمرًا بالغ الأهمية لمهام التنبؤ في الرسوم البيانية المعرفية. تُقدّم هذه الدراسة طريقة جديدة لتمثيل الرسوم البيانية المعرفية تُسمّى الشبكة العصبية الانتباهية لسمات الرسم البياني (GFA-NN)، التي تُحسب السمات الرسومية للعناصر. وبنتيجة ذلك، تكون التمثيلات الناتجة مُنتبِهة لنوعين من السمات العالمية للشبكة. أولاً، مركزية العقد نسبيًا، استنادًا إلى الملاحظة القائلة بأن بعض العناصر أكثر "بروزًا" من غيرها. ثانيًا، الموقع النسبي للعناصر داخل الرسم البياني. تقوم GFA-NN بحساب قيم مركزية متعددة لكل عنصر، وتنشئ مجموعة عشوائية من عناصر مرجعية، ثم تحسب أقصر مسار من العنصر المُعطى إلى كل عنصر في المجموعة المرجعية. بعد ذلك، تتعلم هذه المعلومات من خلال تحسين دوال أهداف محددة لكل من هذه السمات. وقد قمنا بدراسة GFA-NN على عدة معايير لاختبار التنبؤ بالروابط في بيئات استنتاجية (inductive) وانتقالية (transductive)، وأظهرت النتائج أن GFA-NN تحقق نتائج مماثلة أو أفضل من الحلول الرائدة في مجال KGE.