一項最新的人工智慧（AI）研究成果揭示，名為 DIRA 的新模型能有效解讀演進中的知識圖譜（Knowledge Graph），大幅提升預測能力。這項創新對於政治風險分析、時序問答助理及推薦系統等應用領域具有潛在的重大影響。

傳統處理時序知識圖譜的方法，常面臨結構稀疏性（structural sparsity）以及難以有效模型化實體在不同時間維度變化的問題。為了解決這些挑戰，由大連民族大學（Dalian Minzu University）Shuang Liu、Xiaohui Sun 與 Peng Chen，以及 University of Maribor 的 Simon Kolmanič 等研究人員共同開發的 DIRA 模型，引入了一套動態嵌入方案。知識圖譜就像一個龐大的資料網絡，用來儲存現實世界中各種實體（例如人物、地點、事件）及其相互關係，AI 系統常利用它來理解事物背景與脈絡。

DIRA 的動態嵌入方案將實體（entity）的表示法明確區分為趨勢、週期性及靜態三種成分。模型運用關係感知圖形卷積（relation-aware graph convolution）在相互連接的實體之間傳播資訊，同時考量關係類型。此外，它還建構了自適應隱性語義補齊圖（adaptive implicit semantic completion graphs），以揭示數據中未直接連結的實體之間潛在關聯性。

透過閘門機制（gating mechanisms），DIRA 能動態權衡不同資訊來源的貢獻，並運用時序自我注意力（temporal self-attention）整合過往時間步的證據。這讓模型能更精準地捕捉知識圖譜隨時間演變的「隱藏節奏」。根據 Applied Intelligence 期刊的報導，DIRA 在 ICEWS14、ICEWS18、ICEWS05-15 以及 GDELT 等四個基準數據集上，持續超越現有最先進的基準方法 HisRES，尤其在推斷性推理（extrapolation reasoning）方面展現出顯著提升。推斷性推理指的是 AI 根據既有模式，推測出超越直接觀察範圍的未來事件或未知數據的能力。

研究團隊強調，這項工作的更廣泛意義在於，它證明了明確建模與隱性建模是時序知識圖譜補齊策略中互補的策略。這項研究的部分經費來自中國 Ministry of Education of China 的「2023 年人文社會科學研究規劃基金」計畫。