Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective
تقدم هذه الدراسة مراجعة شاملة للاستدلال العصبي الرمزي عبر الرسوم البيانية للمعرفة، مع التركيز على أنواع الاستعلامات وتصنيفها، بينما تستكشف التكامل المبتكر للنماذج اللغوية الكبيرة لسد الفجوة بين التعلم العميق والاستدلال الرمزي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل مكتبة رقمية شاسعة، حيث لا تُخزن كل حقيقة عن العالم في كتب، بل في شبكة ضخمة من الروابط. في هذه المكتبة، يرتبط الشخص بوظيفته، وترتبط المدينة ببلدها، ويرتبط الفيلم بمخرجه. هذا الهيكل، المعروف باسم "رسم المعرفة البياني" (Knowledge Graph)، يعمل كخريطة للفهم البشري، مما يسمح للحواسيب بالتنقل من معلومة إلى أخرى. لعقود من الزمن، حاول العلماء تعليم الآلات كيفية التفكير والاستنتاج عبر هذه الخريطة، لطرح سؤال واكتشاف حقيقة جديدة مخبأة داخل الروابط. ومع ذلك، فإن العالم الحقيقي فوضوي؛ فالحقائق غالباً ما تكون مفقودة، والبيانات قد تكون مشوشة أو متناقضة. والأساليب التقليدية، التي تعتمد على قواعد صارمة وجامدة مثل القانون التشريعي، غالباً ما تنهار عند مواجهة هذا النقص، فهي لا تستطيع التعامل مع المناطق الرمادية في الواقع.
ولحل هذه المشكلة، يعمل الباحثون على تطوير نوع جديد من الذكاء يمزج بين طريقتين مختلفتين من التفكير. إحدى الطريقتين تشبه برنامج حاسوبي يتبع وصفة صارمة، دقيقة ولكنها هشة. أما الطريقة الأخرى، فتشبه الدماغ البشري الذي يتعلم من الأنماط، وهي مرنة ولكنها أحياناً غامضة. ومن خلال دمج هذين النهجين، يبتكر العلماء أنظمة يمكنها الاستنتاج عبر شبكة المعرفة الفوضوية بدقة وقدرة على التكيف في آن واحد. وتأخذ دراسة استقصائية حديثة أجراها باحثون من جامعة واين ستيت وجامعة إلينوي في أوربانا-شامبين نظرة عميقة على كيفية القيام بذلك؛ حيث يفحصون كيفية إجابة هذه الأنظمة على الأسئلة، بدءاً من الاستفسارات البسيطة ذات الخطوة الواحدة وصولاً إلى الألغاز المعقدة متعددة الطبقات، وكيف انضمت إليها الآن أداة قوية جديدة: النماذج اللغوية الكبيرة، وهي نفس التقنية التي تشغل برامج الدردشة الحديثة.
نظم الباحثون مراجعتهم من خلال النظر في أنواع الأسئلة التي تُطرح على هذه الأنظمة. أبسط هذه الأسئلة هي الاستعلامات أحادية الخطوة (single-hop queries)، حيث تكون الإجابة على بعد خطوة واحدة فقط. إذا سألت: "من هو الرئيس التنفيذي للشركة (س)؟"، يبحث النظام عن رابط مباشر. بالنسبة لهذه المهام، استخدمت الأساليب القديمة قواعد صارمة كتبها الخبراء، لكنها غالباً ما فشلت عندما كانت البيانات غير مكتملة. أما الأساليب الأحدث فتستخدم الشبكات العصبية، وهي نماذج حاسوبية تتعلم من الأمثلة، لتخمين الروابط المفقودة. والنهج الأكثر واعدية يجمع بين الاثنين: فهو يستخدم قدرة التعلم لدى الشبكات العصبية للتعامل مع عدم اليقين، مع الحفاظ على البنية المنطقية للقواعد لضمان منطقية الإجابات. هذا الأسلوب الهجين يسمح للنظام باستنتاج أنه إذا كان شخص ما يعمل في شركة في مدينة معينة، فمن المرجح أنه يعيش في تلك المدينة، حتى لو لم يُكتب هذا التفصيل صراحةً.
عندما تصبح الأسئلة أكثر تعقيداً، وتتضمن خطوات متعددة أو شروطاً منطقية مثل "و"، "أو"، و"ليس"، يزداد التحدي بشكل كبير. لا تقتصر هذه الأسئلة على مجرد البحث عن رابط واحد، بل تتعلق بالتنقل عبر مسار في الشبكة. توضح الدراسة كيف طور الباحثون طرقاً لمعاملة هذه الأسئلة كمشكلات رياضية يمكن حلها عبر التحرك في مساحة هندسية. وبدلاً من مجرد التحقق مما إذا كانت حقيقة ما صحيحة أم خاطئة، يحدد النظام درجة من الحقيقة لمختلف الاحتمالات. وتصور بعض الأساليب هذه الاحتمالات كأشكال، مثل الصناديق أو الكرات، في مساحة متعددة الأبعاد. ومن خلال رؤية كيفية تداخل هذه الأشكال أو ملاءمتها لبعضها البعض، يمكن للحاسوب تحديد الإجابة على سؤال معقد، مثل: "ابحث عن جميع الممثلين الذين عملوا مع مخرج من فرنسا ولكنهم لم يفوزوا بجائزة أوسكار". وقد وجد الباحثون أنه على الرغم من قوة هذه الأساليب، إلا أنها لا تزال تواجه صعوبات مع الهياكل المنطقية الأكثر تعقيداً، مما يشير إلى أن هذا المجال لا يزال في مرحلة النضج.
كما تستعرض الدراسة كيفية تعامل هذه الأنظمة مع الأسئلة المطروحة بلغة يومية عادية، بدلاً من الرموز الرسمية. فعندما يسأل إنسان: "من الذي لعب دور الشرير في الفيلم الذي فاز بأكبر عدد من الجوائز العام الماضي؟"، يجب على النظام أولاً فهم الجملة، وتفكيكها، ثم البحث في رسم المعرفة البياني. حاولت المحاولات المبكرة ترجمة الجملة إلى أمر جامد، لكن هذا غالباً ما كان يفشل إذا كان الصياغة غير مألوفة. وتستخدم الأساليب الأحدث "التعلم المعزز" (reinforcement learning)، وهو تقنية يتعلم فيها النظام من خلال التجربة والخطأ للتنقل في الرسم البياني وإيجاد الإجابة. وفي المحادثات التي يطرح فيها المستخدم سؤالاً متابعاً، يجب على النظام تذكر سياق الدور السابق. وقد لاحظ الباحثون أنه رغم التقدم المحرز، لا تزال هذه الأنظمة تفقد مسارها أحياناً في سلاسل طويلة من الاستنتاج، أو تفشل في التمييز بين المسارات المتشابهة في البيانات.
ولعل التطور الأكثر إثارة الذي ناقشته الدراسة هو دمج النماذج اللغوية الكبيرة مع رسوم المعرفة البيانية. فهذه النماذج بارعة للغاية في فهم اللغة البشرية، لكنها غالباً ما تخترع أشياء من تلقاء نفسها، وهي مشكلة تُعرف بـ "الهلوسة"، لأنها تفتقر إلى الوصول إلى قاعدة بيانات موثقة من الحقائق. وعلى العكس من ذلك، فإن رسوم المعرفة البيانية مليئة بالحقائق، لكنها سيئة جداً في فهم اللغة الطبيعية. ووجد الباحثون أن الجمع بينهما يخلق شراكة قوية؛ ففي أحد النهجين، يعمل النموذج اللغوي كمرشد، يساعد في ترجمة السؤال البشري إلى استعلام بحث للرسم البياني. وفي نهج آخر، يعمل الرسم البياني كمدقق للحقائق، حيث يزود النموذج اللغوي بمعلومات موثقة لمنعه من اختلاق المعلومات. وتسمح الأساليب الأكثر تقدماً للاثنين بالعمل معاً في حلقة مستمرة، حيث يساعد النموذج اللغوي الرسم البياني في العثور على المعلومات ذات الصلة، ويساعد الرسم البياني النموذج اللغوي في تنقيح إجابته. هذا التعاون المتبادل يخلق نظاماً يتسم بالطلاقة في المحادثة والارتكاز على الواقع في آن واحد.
وبالنظر إلى المستقبل، يقترح الباحثون أن الحدود التالية تكمكمن في توسيع نطاق هذه الأنظمة لتتجاوز النصوص. فهم يتصورون رسوماً معرفية بيانية تشمل الصور والفيديوهات والصوت، مما يسمح للحاسوب بالاستنتاج حول العالم بطريقة أقرب إلى الإدراك البشري. كما يرون مستقبلاً يمكن لهذه الأنظمة فيه جسر الفجوات بين اللغات المختلفة، وإيجاد الروابط بين الحقائق المعبر عنها بالإنجليزية أو الصينية أو الإسبانية دون الحاجة إلى مترجم بشري. وبينما حققت التكنولوجيا الحالية خطوات كبيرة في جعل الآلات أكثر ذكاءً وموثوقية، تخلص الدراسة إلى أن هناك الكثير من العمل الذي يتعين القيام به. والهدف هو بناء أنظمة لا تكتفي فقط باسترجاع المعلومات، بل تفهم حقاً الطبيعة المعقدة والمترابطة للمعرفة البشرية، وتتعامل مع فوضى العالم الحقيقي بذات الرصانة التي يمتلكها العقل البشري.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.