🤖 machine learning

RelBench v2: A Large-Scale Benchmark and Repository for Relational Data

تقدم هذه الورقة RelBench v2، وهو معيار ومستودع موسع بشكل كبير للتعلم العميق العلائقي يدمج أربع مجموعات بيانات جديدة واسعة النطاق، ومهام إكمال تلقائي مبتكرة، وتكاملات مع أطر عمل خارجية لتسهيل التقييم المنهجي وإثبات تفوق النماذج العلائقية على النماذج المرجعية أحادية الجدول.

المؤلفون الأصليون: Justin Gu, Rishabh Ranjan, Charilaos Kanatsoulis, Haiming Tang, Martin Jurkovic, Valter Hudovernik, Mark Znidar, Pranshu Chaturvedi, Parth Shroff, Fengyu Li, Jure Leskovec

نُشر 2026-05-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Justin Gu, Rishabh Ranjan, Charilaos Kanatsoulis, Haiming Tang, Martin Jurkovic, Valter Hudovernik, Mark Znidar, Pranshu Chaturvedi, Parth Shroff, Fengyu Li, Jure Leskovec

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 أن لديك مكتبة ضخمة من المعلومات. في الأيام الخوالي، إذا أردت العثور على نمط ما، سيتعين عليك أخذ كل كتاب على حدة، وتمزيق صفحاته، ولصقها جميعاً على ورقة واحدة عملاقة وفوضوية. ستفقد حينها السياق الذي جاءت منه الصفحة، وسيتعين عليك رسم الخطوط التي تربط بين الأفكار يدوياً. هكذا كانت معالجة البيانات المعقدة تتم في التعلم الآلي التقليدي.

التعلم العميق العلاقاتي (RDL) يشبه نوعاً جديداً من أمناء المكتبات الذين لا يمزقون الصفحات؛ بل ينظرون إلى المكتبة بأكملها كخريطة حية. هم يفهمون أن "الكتاب" مرتبط بـ "المؤلف"، والمؤلف مرتبط بـ "الجامعة"، والجامعة مرتبطة بـ "المدينة". إنهم يرون العلاقات، وليس مجرد الحقائق المنعزلة.

تقدم هذه الورقة البحثية RELBENCH v2، وهي ترقية ضخمة لـ "صالة تدريب" لهؤلاء الأمناء الأذكياء. إليك ما قاموا ببنائه:

1. ميادين التدريب الجديدة (مجموعات البيانات)

كانت النسخة الأصلية من الصالة الرياضية (RELBENCH v1) تحتوي على بعض ميادين الممارسة فقط. أما RELBENCH v2 فقد أضافت أربعة ملاعب ضخمة جديدة، ليصل الإجمالي إلى 11 ملعباً. هذه ليست مجرد ميادين ممارسة صغيرة؛ بل هي عوالم بيانات واقعية وعملاقة:

مكتبة الباحث (rel-arxiv): خريطة لملايين الأوراق البحثية، والمؤلفين، ومن استشهد بمن.
المكتب المؤسسي (rel-salt): محاكاة لشركة ضخمة من أوامر المبيعات، وطرق الشحن، وشروط الدفع.
منتدى محبي البيرة (rel-ratebeer): عقد من الزمن من تقييمات المستخدمين للأنواع، والمصانع، والأماكن.
السجلات الطبية (rel-mimic): سجلات مرضى مجهولة المصدر من مركز طبي كبير (مع إزاحة التواريخ إلى المستقبل لحماية الخصوصية).

تحتوي هذه المجموعات معاً على أكثر من 22 مليون صف من البيانات. الأمر يشبه منح الذكاء الاصطناعي مكتبة تضم 22 مليون كتاب ليتعلم منها، وكلها مترابطة فيما بينها.

2. الألعاب الجديدة (المهام)

تقدم الورقة نوعاً جديداً من الألعاب يسمى "الإكمال التلقائي" (Autocomplete).

اللعبة القديمة (التنبؤ - Forecasting): تخيل كرة بلورية. تعطي الذكاء الاصطناعي بيانات حتى تاريخ اليوم، وهو يتنبأ بشيء لم يحدث بعد (مثل "هل سيترك هذا العميل الشركة الشهر القادم؟").
اللعبة الجديدة (الإكمال التلقائي - Autocomplete): تخيل نموذجاً مملوءاً جزئياً. يرى الذكاء الاصطناعي بعض الحقول (مثل "اسم العميل" و"تاريخ الطلب") لكن خانة "طريقة الدفع" فارغة. يجب على الذكاء الاصطناعي تخمين الخانة المفقودة الآن، باستخدام القرائن من الجداول الأخرى التي يمكنه رؤيتها.

لماذا يعد هذا صعباً؟ الأمر يشبه محاولة تخمين الطعام المفضل لشخص ما بمجرد معرفة عنوانه والوقت من اليوم، دون أن يخبرك هو بذلك. يجب على الذكاء الاصطناعي النظر إلى "الحي" (الجداول المرتبطة) ليفهم الأمر. وتظهر الورقة أن الذكاء الاصطناعي يكون أفضل بكثير في هذه المهمة عندما يفهم العلاقات بين الجداول مقارنة بما لو نظر إلى الصف المنفرد فقط.

3. "المحول العالمي" (دمج المعايير الأخرى)

لم يكتفِ المؤلفون ببناء غرف جديدة، بل بنوا محولاً عالمياً يسمح للصالة الرياضية بالاتصال بمراكز تدريب شهيرة أخرى:

صالة تدريب التدفق الزمني (TGB): قاموا بترجمة مجموعات البيانات التي تظهر عادةً كتدفق مستمر من الأحداث إلى تنسيق المكتبة الخاص بهم، ليتمكن الذكاء الاصطناعي من التدرب عليها أيضاً.
تحدي الـ 70 قاعدة بيانات (ReDeLEx): اتصلوا بمجموعة تضم أكثر من 70 قاعدة بيانات من الواقع، مما منح الذكاء الاصطناعي فرصة للتدرب على أي شيء تقريباً.
صندوق أدوات الأبعاد الأربعة (4DBInfer): أضافوا مجموعة من الأدوات التي تختبر الذكاء الاصطناعي من أربع زوايا مختلفة (البيانات، المهام، هيكل الرسم البياني، والنماذج) للتأكد من قوته الحقيقية.

4. النتائج: قوة الاتصال

أجرى المؤلفون سلسلة من الاختبارات لمقارنة "الأمين الذكي" (نماذج RDL) مقابل "العامل التقليدي" (النماذج التقليدية التي تقوم بتسطيح البيانات).

الحكم النهائي: الأمين الذكي فاز في كل مرة تقريباً.

سواء كان يخمن القيم المفقودة (الإكمال التلقائي)، أو يتنبأ بالمستقبل (التنبؤ)، أو يوصي بالعنصر التالي (التوصية)، فإن النموذج الذي فهم العلاقات بين الجداول قدم أداءً أفضل بشكل ملحوظ.
حتى عندما كانت البيانات فوضوية أو الفئات غير متوازنة، استخدم النموذج العلاقاتي الروابط لإيجاد إشارات فاتَت النماذج القديمة.

الملخص

فكر في RELBENCH v2 كأنه "مدرسة تعليم القيادة" المثالية للذكاء الاصطناعي الذي يحاول فهم قواعد البيانات المعقدة. فهو يوفر:

سيارات أكثر: 11 مجموعة بيانات ضخمة ومتنوعة (أكاديمية، تجارية، استهلاكية، طبية).
تدريبات جديدة: تحدي "الإكمال التلقائي" الجديد لاختبار مدى قدرة الذكاء الاصطناعي على ملء الفراغات باستخدام السياق.
مرآب عالمي: أدوات للاتصال بميادين اختبار أخرى ليتعلم الذكاء الاصطنا الرئيسي من كل شيء.

الرسالة الأساسية بسيطة: عندما تكون البيانات متصلة، يجب عليك التعامل معها كشبكة متصلة، وليس كقائمة مسطحة. والنماذج التي تفعل ذلك هي التي تفوز بالسباق.

ملخص تقني: RELBENCH V2

بيان المشكلة

تُعد قواعد البيانات العلائقية التجريد الأساسي للتخزين للبيانات المهيكلة عبر الأنظمة المؤسسية، والعلمية، والرعاية الصحية، حيث تنظم المعلومات عبر علاقات المفاتيح الأساسية-الأجنبية التي تلتقط التبعيات الهيكلية والزمنية الغنية. وبينما ظهر التعلم العميق العلائقي (RDL) كنموذج لتعلم البيانات مباشرة من هذه القواعد —عبر معاملتها كرسوم بيانية غير متجانسة لتجنب هندسة الميزات اليدوية وتسطيح البيانات— لا تزال هناك حاجة ماسة إلى معايير قياسية (benchmarks) واقعية وقابلة للتوسع لتقييم التقدم، لا سيما مع تحول المجال نحو النماذج التأسيسية العلائقية. تفتقر المعايير الحالية غالبًا إلى الحجم، والتنوع في المجالات، أو القدرة على تقييم المهام التي تتجاوز مهام التنبؤ التقليدية التي يتم إنشاؤها عبر استعلامات SQL.

المنهجية وإطار العمل

يوسع RELBENCH v2 إطار عمل RELBENCH الأصلي (Robinson et al., 2024) من خلال تقديم مجموعات بيانات جديدة، وأنواع مهام مبتكرة، وتكامل موحد للمعايدة الخارجية. تعتمد المنهجية الجوهرية على:

القيود الزمنية ومنع التسرب: تستخدم جميع مجموعات البيانات نقاط قطع ثابتة لـ VAL_TIMESTAMP و TEST_TIMESTAMP. يتم تدريب النماذج على البيانات حتى VAL_TIMESTAMP، والتحقق من صحتها على الصفوف بين نقاط القطع، واختبارها على الصفوف بعد TEST_TIMESTAMP. يتم إخفاء البيانات التي تلي نقطة قطع الاختبار أثناء الاستدلال لمنع تسرب الاختبار، وذلك باستخدام استراتيجيات أخذ عينات الجوار الزمني (Fey et al., 2024).
بنية التعلم العميق العلائقي (RDL): يستخدم المعيار مسار RDL قياسي:
- الترميز (Encoding): يتم ترميز بيانات الصف الخام إلى تضمينات عقد أولية باستخدام PyTorch Frame مع نموذج جداول من نوع ResNet.
- أخذ العينات (Sampling): يتم إجراء أخذ عينات فرعية مدركة زمنياً حول كل عقدة كيان عند زمن بذرة معين.
- التجميع (Aggregation): تمر التضمينات عبر نموذج GraphSAGE غير متجانس مع تجميع جيران قائم على الجمع لتحديث تضمينات العقد بشكل تكراري.
- التنبؤ (Prediction): تقوم رؤوس المهام المحددة بتوليد التنبؤات النهائية.
مقارنات الخطوط المرجعية (Baselines): تتم مقارنة الأداء مقابل خطوط مرجعية قوية، وبشكل أساسي LightGBM (المطبق على ميزات جدول الكيان الخام أو الميزات المدمجة) واستراتيجيات التجميع المختلفة (المتوسط/الوسيط العالمي، والمتوسط/الوسيط للكيان).

المساهمات الرئيسية

1. توسيع مجموعات البيانات

يقدم RELBENCH v2 أربع مجموعات بيانات علائقية ضخمة جديدة، مما يرفع الإجمالي إلى 11 مجموعة بيانات تغطي مجالات متنوعة:

rel-arxiv: قاعدة بيانات للمنشورات الأكاديمية تحتوي على 222,000 ورقة بحثية، و1.5 مليون رابط استشهاد، وعلاقات بين المؤلفين والفئات.
rel-salt: مجموعة بيانات تخطيط موارد المؤسسات (ERP) من SAP AI Research، والتي تحاكي أوامر المبيعات، وسير العمل، والمعاملات التجارية.
rel-ratebeer: مجموعة بيانات لمنصة استهلاكية تحتوي على أكثر من عقدين من تفاعلات المستخدمين، وتقييمات الجعة، والمراجعات.
rel-mimic: مجموعة بيانات سريرية مشتقة من السجلات الصحية الإلكترونية لنظام MIMIC-IV، وتتميز بإزاحة التاريخ لأغراض الخصوصية.
الحجم: تساهم مجموعات البيانات الجديدة بأكثر من 22 مليون صف عبر 29 جدولاً.

2. تقديم مهام الإكمال التلقائي (Autocomplete Tasks)

تتمثل المساهمة المنهجية الهامة في تقديم مهام الإكمال التلقائي. بخلاف مهام التنبؤ التقليدية التي تتنبأ بالنتائج المستقبلية عبر استعلامات SQL، تتطلب مهام الإكمال التلقائي من النماذج استنتاج قيم السمات المفقودة داخل الجداول العلائقية الموجودة عند طابع زمني معين.

الآلية: تتلقى النماذج القيم المرصودة لصف ما عند زمن البذرة ويجب عليها التنبؤ بالأعمدة المستهدفة باستخدام السياق العلائقي والزمني المتاح حتى ذلك الوقت فقط.
التحكم في التسرب: لمنع تسرب المعلومات، يتم تحديد الأعمدة المرتبطة بقوة مع الهدف (مثل review_text لـ review-rating) وإزالتها يدوياً بناءً على المعرفة بالمجال.
الأنواع: تشمل كلاً من مهام التصنيف (الثنائي ومتعدد الفئات) ومهام الانحدار.

3. دمج المعاييد الخارجية

يوحد RELBENCH v2 عملية التقييم من خلال دمج الأطر الخارجية:

Temporal Graph Benchmark (TGB): يتم ترجمة تدفقات الأحداث من TGB إلى مخططات علائقية (تطبيع العقد والحواف إلى جداول) لتمكين المقارنة المباشرة بين نماذج GNN الزمنية والتعلم العميق العلائقي.
ReDeLEx: يوفر التكامل وصولاً موحداً إلى أكثر من 70 قاعدة بيانات حقيقية مناسبة للتدريب المسبق.
4DBInfer: دمج مجموعات بيانات ومهام 4DBInfer لتوسيع نطاق التقييم متعدد الجداول واستكشاف فضاء التصميم رباعي الأبعاد (البيانات، المهام، بناء الرسم البياني، والنماذج).

النتائج التجريبية

تظهر النتائج التجريبية عبر مجموعات البيانات والمهام الجديدة أن نماذج RDL تتفوق باستمرار على الخطوط المرجعية أحادية الجدول (تحديداً LightGBM وخطوط التجميع المرجعية):

مهام الإكمال التلقائي: تفوقت نماذج RDL بشكل كبير على LightGBM في كل من التصنيف الثنائي ومتعدد الفئات (على سبيل المثال، تحقيق دقة تقارب 98% في item-shippoint في rel-salt مقابل حوالي 5% لـ LightGBM) ومهام الانحدار (قيم $R^2$ أعلى). تسلط النتائج الضوء على أن السياق العلائقي يوفر إشارات معلوماتية للتنبؤ بالسمات المفقودة، حتى في ظل عدم توازن الفئات.
مهام التنبؤ: حققت نماذج RDL أداءً فائقاً في تصنيف الكيانات (مثل التنبؤ بـ author-category في rel-arxiv) والانحدار. أظهرت مهمة تصنيف المؤلف متعدد الفئات فجوة هائلة، حيث حقق RDL دقة تقارب 50% مقارنة بنحو 2% لـ LightGBM، مما يشير إلى أن الإشارات العلائقية (مثل التأليف المشترك والاستشهادات) حاسمة للتصنيف المعقد.
مهام التوصية: تفوقت النماذج القائمة على GNN (مثل GraphSAGE و ID-GNN) عموماً على الخطوط المرجعية مثل Past Visit و Global Popularity. تميز نموذج ID-GNN، الذي يدمج هوية العقدة صراحةً، في الإعدادات الخاصة بالكيانات، بينما أظهرت نماذج GraphSAGE الأعمق (4 طبقات) أداءً محسناً في مهام الاستدلال متعدد الخطوات، وإن كانت محدودة بقيود ذاكرة وحدة معالجة الرسومات (GPU).
تكامل TGB: في مجموعات بيانات TGB المترجمة، قدمت نماذج GraphSAGE بنمط "الحدث كعقدة" (event-as-node) أداءً تنافسياً مقابل نماذج GraphSAGE ذات الحواف المسقطة (projected-edge) والخطوط المرجعية الزمنية (TGN)، مع تباين الأداء بناءً على ثراء دلالات الأحداث وهيكل المخطط.

الأهمية

يزعم البحث أن RELBENCH v2 يوفر معياراً قابلاً للتوسع وواقعياً ضرورياً لتطوير وتقييم أنظمة RDL والنماذج التأسيسية العلائقية. ومن خلال التوسع في الحجم إلى أكثر من 22 مليون صف، وتقديم نموذج الإكمال التلقائي المبتكر، وتوحيد المعاييد الخارجية، فإنه يعالج قيود التقييمات السابقة أحادية الجدول أو صغيرة النطاق. إن تفوق نماذج RDL المستمر على الخطوط المرجعية عبر مجالات متنوعة (أكاديمي، مؤسسي، استهلاكي، سريري) يؤكد على أهمية نمذجة البنية العلائقية والتبعيات الزمنية صراحةً للمهام التنبؤية. يعمل هذا المعيار كأداة تأسيسية للدفع بالمجال نحو النماذج التأسيسية القادرة على الاستدلال عبر البيانات المعقدة متعددة الجداول.