🤖 machine learning

GraphER: An Efficient Graph-Based Enrichment and Reranking Method for Retrieval-Augmented Generation

تُعد GraphER طريقة مبتكرة ومستقلة عن المسترجع، تعمل على تعزيز التوليد المعزز بالاسترجاع من خلال إجراء إثراء قائم على الرسوم البيانية في وضع عدم الاتصال وإعادة ترتيب عند وقت الاستعلام لالتقاط التقاربات متعددة الأوجه للبيانات دون الحاجة إلى رسم بياني معرفي مخصص أو التسبب في تأخير كبير في زمن الاستجابة.

المؤلفون الأصليون: Ruizhong Miao, Yuying Wang, Rongguang Wang, Chenyang Li, Tao Sheng, Sujith Ravi, Dan Roth

نُشر 2026-03-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ruizhong Miao, Yuying Wang, Rongguang Wang, Chenyang Li, Tao Sheng, Sujith Ravi, Dan Roth

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 أنك محقق يحاول حل قضية معقدة. لديك مكتبة ضخمة من الأدلة (وثائق، جداول، مقالات)، وعليك العثور على قطع الأدلة المحددة لحل الجريمة.

في عالم الذكاء الاصطناعي، يُسمى هذا الاسترجاع المعزز بالتوليد (RAG). يعمل الذكاء الاصطناعي هنا كمحقق، يبحث في المكتبة للعثور على الأدلة الصحيحة قبل أن يكتب تقريره النهائي.

المشكلة: البحث "الحرفي"

تقليديًا، يستخدم الذكاء الاصطناعي البحث الدلالي (Semantic Search). فكر في هذا الأمر كأنه أمين مكتبة يبحث فقط عن الأدلة بناءً على تطابق الكلمات.

السيناريو: تسأل: "أين ذهب جون سميث؟"
البحث الحرفي: يبحث أمين المكتبة عن وثائق تحتوي على "جون"، و"سميث"، و"ذهب".
الفشل: إذا كان الدليل مخفيًا في جدول بيانات يسمى "العملاء" (والذي يسرد اسم جون)، ولكن السؤال لا يذكر كلمة "العملاء"، فقد يغفل أمين المكتبة عن ذلك. سيرى كلمة "جون" في وثيقة عن "المتاجر"، لكنه سيفشل في إدراك الرابط الحيوي بأن جون مرتبط فعليًا بمتجر معين عبر جدول "العملاء".

الطريقة القديمة تشبه محاولة حل لغز من خلال النظر فقط إلى ألوان القطع، وتجاهل كيفية تطابق أشكالها مع بعضها البعض.

الحل: GraphER (الموصل الخارق)

أدرك مؤلفو هذه الورقة البحثية، GraphER، أن الأدلة لا تتعلق فقط بما تقوله، بل بكيفية اتصالها ببعضها البعض.

لقد اقترحوا خدعة سحرية من خطوتين:

الخطوة 1: التحضير غير المتصل (مرحلة "الوسم")

قبل أن يبدأ المحقق عمله حتى، يقوم GraphER بالمرور على المكتبة بأكملة وإضافة أوسمة غير مرئية لكل وثيقة.

الأوسمة الهيكلية: "مهلاً، هذه الوثيقة هي جدول 'عملاء'، وهي مرتبطة بجدول 'الطلبات'".
الأوسمة المفاهيمية: "هذا المقال يذكر 'ليوناردو دي كابريو'، وكذلك تلك المراجعة السينمائية".
الأوسمة السياقية: "هذه الفقرة تأتي مباشرة بعد تلك الفقرة في نفس الكتاب".

فكر في هذا كأنك تعطي كل كتاب في المكتبة خريطة سرية توضح أي الكتب الأخرى هي "صديقة" لها. يحدث هذا خارج نطاق التشغيل (offline)، لذا فهو لا يبطئ حركة المحقق لاحقًا.

الخطوة 2: البحث المتصل (مرحلة "إعادة الترتيب")

الآن، يتلقى المحقق (الذكاء الاصطناعي) سؤالًا.

المسح الأولي: يقوم أمين المكتبة بعملية بحث سريعة ويستخرج أفضل 200 مرشح محتمل.
فحص الرسم البياني (Graph Check): بدلاً من مجرد تسليم هذه الكتب الـ 200 إلى المحقق، ينظر GraphER إلى الخرائط السرية (الأوسمة) التي أضفناها سابقًا. إنه يبني شبكة مؤقتة تربط هذه الكتب الـ 200 ببعضها.
- مثال: "الكتاب أ" (عن المتاجر) متصل بـ "الكتاب ب" (عن الطلبات). "الكتاب ب" متصل بـ "الكتاب ج" (عن العملاء).
التنعيم (Smoothing): يستخدم GraphER خدعة رياضية ذكية تسمى التنعيم المتماسك للرسم البياني (Graph Cohesive Smoothing). تخيل مجموعة من الأصدقاء في حفلة؛ إذا كان أحد الأصدقاء مهمًا جدًا للمحقق، فإن أصدقاءه يصبحون أكثر أهمية أيضًا، لأنهم جزء من نفس الدائرة.
- إذا تم تصنيف "الكتاب ج" (العملاء) في مرتبة منخفضة في البداية لأنه لم يحتوي على كلمة "متجر"، ولكنه مرتبط ارتباطًا وثيقًا بـ "الكلمة أ" (المتاجر) التي حصلت بالفعل على تصنيف عالٍ، فإن GraphER يرفع ترتيب "الكتاب ج" في القائمة.

لماذا يعد هذا أفضلًا من الطرق الأخرى؟

مقابل الطريقة "الوكيلة" (Agentic Method): يحاول بعض محققي الذكاء الاصطناعي حل المشكلات عبر طرح سؤال مثل: "أحتاج إلى مزيد من المعلومات، دعني أطرح سؤالًا آخر!" ثم يبحثون مرة أخرى. هذه الطريقة بطيئة ومكلفة (مثل الاتصال بصديق لطلب المساعدة، ثم الاتصال بآخر، ثم آخر). GraphER أسرع لأنه يقوم بكل عمليات الربط في خطوة واحدة.
مقابل طريقة "الرسم البياني للمعرفة" (Knowledge Graph): تحاول بعض الأنظمة بناء خريطة عملاقة ودائمة للعالم بأكم، وهذا أمر صعب الصيانة ومكلف. أما GraphER فهو يشبه بناء خريطة مصغرة مؤقتة للأدلة التي يبحث عنها المحقق حاليًا فقط. إنه خفيف الوزن ويتناسب مع أي نظام مكتبة موجود.

النتيجة

في تجارب الورقة البحثية، كان GraphER بمثابة المحقق الذي وجد أخيرًا الحلقة المفقودة.

الطريقة القديمة: وجدت أدلة "المتجر" و"الطلب"، لكنها فاتها دليل "العميل". لم يستطع الذكاء الاصطناعي حل استعلام SQL.
طريقة GraphER: وجدت أدلة "المتجر" و"الطلب"، ورأت أنها متصلة بدليل "العميل"، فرفعت ترتيب ذلك الدليل أيضًا. امتلك الذكاء الاصطناዊ جميع القطع وحل القضية بنجاح.

الخلاصة

GraphER هو وسيلة ذكية وفعالة لمساعدة الذكاء الاصطناعي في العثيد على المعلومات ليس فقط من خلال الكلمات المستخدمة، بل من خلال فهم كيفية ارتباط قطع المعلومات المختلفة ببعضها البعض. إنه يشبه منح الذكاء الاصطناعي نظارات تسمح له برؤية الخيوط غير المرئية التي تربط بيانات العالم ببعضها، مما يضمن عدم تفويته لأي دليل حاسم لمجرد أنه كان مختبئًا في قسم مختلف من المكتبة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "GraphER: طريقة فعالة لإثراء وإعادة ترتيب النتائج القائمة على الرسوم البيانية لعمليات التوليد المعزز بالاسترجاع (RAG)."

1. بيان المشكلة

غالبًا ما تفشل أنظمة التوليد المعزز بالاسترجاع (RAG) في استرجاع كافة المعلومات الضرورية للاستعلامات المعقدة، لا سيما عندما تكون الأدلة ذات الصلة مبعثرة عبر مصادر متعددة.

محدودية البحث الدلالي: تعمل أدوات الاسترجاع العصبية القياسية (المشفرات الثنائية/المشفرات المتقاطعة القائمة على التضمين) كمرتبات نقطية (point-wise rankers). فهي تقدّر الصلة بناءً فقط على التقارب الدلالي بين الاستعلام والمستند، متجاهلة العلاقات بين المستندات المرشحة.
مشكلة "الحلقة المفقودة": في سيناريوهات مثل توليد لغة SQL أو الإجابة على الأسئلة متعددة الخطوات (multi-hop QA)، قد يكون المستند بعيدًا دلاليًا عن الاستعلام ولكنه ضروري هيكليًا أو منطقيًا (على سبيل المثال، جدول Customers المرتبط عبر مفاتيح خارجية بجدول Orders). غالبًا ما يفتقد البحث الدلالي هذه الروابط الحرجة.
عدم كفاءة الحلول الحالية:
- الاسترجاع الوكيل (Agentic Retrieval): يستخدم النماذج اللغوية الكبيرة (LLMs) لتوليد استعلامات جديدة بشكل تكراري. هذا الأمر غير فعال، ويتسبب في زمن انتقال وتكلفة عالية، ولا يستفيد من تنظيم البيانات الحالي.
- رسوم المعرفة البيانية (Knowledge Graphs - KGs): رغم فعاليتها في نمذجة العلاقات، إلا أن رسوم المعرفة تتطلب صيانة كبيرة، وبنية تحتية إضافية، وغالبًا ما تكون غير متوافقة مع مخازن المتجهات (vector stores) القياسية المستخدمة في بيئات الإنتاج.

2. المنهجية: GraphER

GraphER هو إطار عمل يتكون من مرحلتين مصمم لالتقاط التقاربات غير الدلالية (الهيكلية، والمفاهيمية، والسياقية) دون الحاجة إلى رسم معرفة بياني مستمر. وهو يتكامل بسلاسة مع مخازن المتجهات القياسية.

أ. الفهرسة غير المتصلة (الإثراء - Offline Indexing)

خلال مرحلة الفهرسة، يتم إثراء كائنات البيانات (النصوص أو الجداول المسلسلة) ببيانات وصفية (metadata) لتحديد الروابط المحتملة. هذه العملية مستقلة لكل كائن (تعقيد زمني خطي) ولا تتطلب مقارنات ثنائية.
تحدد الورقة ثلاثة أنواع من التقارب:

التقارب الهيكلي (Structural Proximity): مشتق من قواعد محددة مسبقًا أو منطق الأعمال (مثل علاقات المفتاح الخارجي بين جداول قواعد البيانات، أو الروابط التشعبية بين صفحات الويب).
التقارب المفاهيمي (Conceptual Proximity): يتم استخراجه باستخدام نموذج لغوي كبير (LLM) مضبوط التعليمات لتحديد الكيانات المسماة. الكائنات التي تشترك في قوائم كيانات متداخلة تُعتبر متقاربة.
التقارب السياقي (Contextual Proximity): يلتقط الاستمرارية للمستندات الطويلة التي تم تقسيمها إلى أجزاء (chunks). الأجزاء المتجاورة من نفس المستند يتم ربطها عبر معرفات مستند/جزء فريدة.

ب. الاسترجاع المتصل (إعادة الترتيب - Online Retrieval)

الاسترجاء الأولي: يقوم مسترجع أساسي (دلالي، أو يعتمد على الكلمات المفتاحية، أو هجين) باسترجاع قائمة مرشحة من أعلى $N$ مع درجات صلة أولية.
بناء الرسم البياني: يتم بناء رسم بياني ديناميكي فقط لـ $N$ $N$ من المرشحين؛ حيث تمثل العقد المرشحين، وتوجد الحواف إذا كانت البيانات الوصفية المُثرية (المحسوبة مسبقًا) تشير إلى وجود علاقة (مثل الكيانات المشتركة أو المفاتيح الخارجية).
- التمييز: على عكس رسم المعرفة (KG)، العقد هنا هي كائنات بيانات (تحتوي على كيانات متعددة)، والحواف غير معلمة (unlabeled).
إعادة الترتيب القائمة على الرسم البياني: يطبق النظام خوارزميات التصنيف لتحسين الدرجات. تقترح الورقة نهجين:
- التنعيم التماسك للرسم البياني (Graph Cohesive Smoothing - GCS): خوارزمية تكرارية مستوحة من تماسك الرسم البياني. تفترض أن العقد المتصلة تعمل كوحدة متماسكة.
  - الآلية: تستخدم مصفوفة انتقال مُطبعة صفياً (على عكس مصفوفة PPR المطبعة عمودياً). درجة العقدة هي المتوسط المرجح لدرجات جيرانها.
  - التصحيح: تعيد القيمة القصوى للعنصر بين الدرجة المنعمة والدرجة الأولية ( $\max(p, s)$ ) لمنع خفض تصنيف عقد "المركز" (hub nodes) ذات الصلة العالية بسبب عملية المتوسط الحسابي.
- شبكة الانتباه للرسوم البيانية (Graph Attention Network - GAT): نموذج قابل للتعلم يعامل التصنيف كأنه تنبؤ على مستوى العقدة. يقوم بتجميع المعلومات من الجيران باستخدام آليات الانتباه، مما يسمح له بالتقاط التبعيات غير الخطية وعالية الرتبة بين سمات العقد (تضمين الاستعلام، تضمين الكائن، ودرجات GCS).

3. المساهمات الرئيسية

إطار عمل مبتكر: يقدم GraphER، وهو طريقة مستقلة عن نوع المسترجع، تثري الاسترجاع بأنواع تقارب متنوعة (هيكلية، مفاهيمية، سياقية) دون الحاجة لصيانة بنية تحتية ثقيلة لرسوم المعرفة.
ابتكار خوارزمي: يقترح Graph Cohesive Smoothing (GCS)، الذي يعالج انحياز "عقدة المركز" (hub-node bias) الموجود في Personalized PageRank (PPR) باستخدام التطبيع الصفي وتعظيم الدرجة، مما يضمن عدم معاقبة مراكز الصلة العالية.
الكفاءة: المنهجية خالية من استخدام النماذج اللغوية الكبيرة (LLM-free) أثناء الاستدلال عبر الإنترنت. جميع استدعاءات LLM (لاستخراج الكيانات) تتم في مرحلة الـ offline. عملية إعادة الترتيب عبر الإنترنت تضيف تأخراً ضئيلاً (حوالي 0.5 ثانية لـ 200 كائن) مقارنة بتوليد LLM.
التكامل: مصمم للعمل مع مخازن المتجهات القياسية (مثل FAISS، Milvus) والبحث الهجين (BM25 + Embeddings)، مما يجعل من السهل نشره في أنظمة RAG في بيئات الإنتاج.

4. النتائج التجريبية

قيم المؤلفون GraphER على ثلاثة أنواع من المهام عبر مجموعات بيانات متعددة:

استرجاع الجداول: Spider 1.0, Bird, Beaver (التركيز على التقارب الهيكلي).
الإجابة على الأسئلة متعددة الخطوات (Multi-hop QA): HotpotQA, 2WikiMultihopQA, MuSiQue (التركيز على التقارب المفاهيمي).
استرجاع المستندات المجزأة: BEIR-NQ (التركيز على التقارب السياقي).

المقاييس الرئيسية: الكمال عند $K$ (Perfect Recall@K - PR@K)، والذي يتطلب وجود جميع الكائنات ذات الصلة ضمن أفضل $K$ من النتائج.

النتائج:

أداء متفوق: حقق GraphER-GCS تحسناً في PR@10 على الأساس المرجعي في 18 من أصل 18 حالة، بينما حقق GraphER-GAT تحسناً في 14 من أصل 15 حالة.
الاستعلامات متعددة الكائنات: كانت التحسينات أكثر أهمية للاستعلامات التي تتطلب مستندات ذات صلة متعددة (مثل توليد SQL الذي يتطلب 3+ جداول).
GCS مقابل PPR: كان أداء GraphER-PPR غير مستقر، وفشل غالباً بسبب انحياز عقدة المركز (تصنيف العقد غير ذات الصلة ولكن شديدة الاتصال بشكل مرتفع جداً). كان GCS و GAT أكثر قوة.
GAT مقابل GCS: تفوق GraphER-GAT عموماً على GCS، مما أثبت قيمة نمذجة التفاعلات عالية الرتبة عبر آليات الانتباه.
دراسة الاستئصال (Ablation Study): أدى إزالة مكون تمرير الرسائل من GAT (بتقليله إلى MLP) إلى انخفاض الأداء، مما يؤكد أن المكاسب تأتي من نمذجة تفاعلات الرسم البياني، وليس مجرد تحسين السمات.

5. الأهمية

يمثل GraphER خطوة هامة للأمام لجعل أنظمة RAG أكثر قوة للمتطلبات المعلوماتية المعقدة ومتعددة المصادر.

الواقعية: من خلال تجنب تكاليف صيانة رسوم المعرفة الكاملة وزمن انتقال حلقات LLM الوكيلية، فإنه يقدم حلاً يجمع بين "أفضل ما في العالمين": الوعي الهيكلي للرسوم البيانية مع كفاءة البحث المتجهي القياسي.
القابلية للتوسع: جعلت عملية الإثراء الخطية (offline) والعبء الإضافي الضئيل (online) المنهجية مناسبة لبيئات الإنتاج واسعة النطاق.
القدرة على التعميم: الإطار قابل للتكيف مع مختلف المجالات (قواعد البيانات، الويب، المستندات) ببساطة عن طريق تغيير قواعد الإثراء لتناسب بنية البيانات المحددة، دون الحاجة لإعادة تدريب نموذج الاسترجاء الأساسي.