💻 computer science

Graph Query Generation with Constraint-guided Large Language Agents

تقدم الورقة البحثية UniQGen، وهو إطار عمل مبتكر موجه بالقيود يستفيد من وكلاء النماذج اللغوية الكبيرة (LLM agents) وخوارزمية "المطاردة والعودة" (Chase & Backchase) الموسعة لتوليد استعلامات Cypher عالية الجودة وقابلة للتنفيذ للإجابة على أسئلة الرسوم البيانية للمعرفة دون الحاجة إلى ضبط دقيق، مما يتفوق بشكل كبير على الأساليب الرائدة في الدقة والكفاءة.

المؤلفون الأصليون: Mengying Wang, Nicolaas Jedema, Rahul Pandey, RaviKiran Krishnan, Jens Lehmann, Yinghui Wu

نُشر 2026-05-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mengying Wang, Nicolaas Jedema, Rahul Pandey, RaviKiran Krishnan, Jens Lehmann, Yinghui Wu

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 وشديدة التفصيل من الحقائق (رسم بياني معرفي - Knowledge Graph). تريد أن تطرح عليها سؤالاً بلغة إنجليزية بسيطة، مثل "ما هي الأدوية التي تعالج التكزز (tetany)؟" أو "أي المدن الأمريكية استضافت الألعاب الأولمبية في شهر فبراير؟"

المشكلة هي أن هذه المكتبة تتحدث لغتين مختلفتين تماماً لتخزين بياناتها: إحداهما تشبه نظام أرشفة صارم ومنظم (RDF/SPARQL)، والأخرى تشبه شبكة مرنة ومتصلة من الملاحظات (Property Graphs/Cypher). معظم برامج الكمبيوتر مصممة للتحدث بلغة واحدة فقط. إذا حاولت طرح سؤال باللغة الإنجليزية، فقد يرتبك الكمبيوتر، أو يبتدع حقائق غير موجودة (هلوسات)، أو ينسى تفاصيل مهمة (مثل ما إذا كان الدواء معتمداً للاستخدام بالفعل).

إليك UniQGen: "المترجم الذكي" المزود بشبكة أمان

قام مؤلفو هذه الورقة البحثية ببناء نظام جديد يسمى UniQGen. فكر فيه ليس كمترجم يكتفي بالتخمين فحسب، بل كـ فريق تحقيق يحل لغزاً قبل كتابة التقرير النهائي. إليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. "جدول القيود" (لوحة الأدلة)

بدلاً من القفز مباشرة إلى كتابة الكود المعقد اللازم للاستعلام من قاعدة البيانات، يعمل UniQGen أولاً مثل محقق يضع الأدلة على لوحة من الفلين.

الأدلة: يقوم بتفكيك سؤالك إلى حقائق صغيرة (مثلاً: "دواء"، "يعالج"، "التكزز").
الأدلة الخفية: يضيف أيضاً أدلة "براغماتية" (واقعية) لم تذكرها أنت ولكنها ضمنية. على سبيل المثال، إذا سألت عن دواء، فإن النظام يعرف أنك تقصد على الأرجح دواءً "معتمداً"، وليس دواءً نظرياً.
درجة الثقة: يحصل كل دليل على "درجة ثقة". إذا كان الدليل غامضاً (مثل "أي دواء")، فإنه يحصل على درجة منخفضة. وإذا كان محدداً (مثل "معتمد من FDA")، فإنه يحصل على درجة عالية.

2. مرحلة "المطاردة" (إرخاء الشبكة)

تخيل أنك تلقي شبكة صيد للإمساك بالأسماك (الإجابات).

المشكلة: قد تكون شبكتك الأولية ضيقة جداً. ربما وضعت قاعدة تقول "الألعاب الأولمبية الشتوية فقط"، لكن سؤالك كان مجرد "الألعاب الأولمبية". لن تصطاد شيئاً لأن شبكتك صغيرة جداً.
الحل (المطاردة - Chase): يبدأ النظام بشبكة ضيقة للغاية تحتوي على كل الأدلة. إذا لم تصطد الشبكة شيئاً (أو فاتتها الإجابات الصحيحة)، فإنها تقوم بشكل منهجي بإزالة دليل واحد في كل مرة لإرخاء الشبكة. وتستمر في الإرخاء حتى تصطاد على الأقل الإجابات الصحيحة. هذا يضمن عدم تفويت أي شيء مهم (الاكتمال - Completeness).

3. مرحلة "التعقب العكسي" (شد الشبكة)

الآن، أصبحت شبكتك واسعة بما يكفي لصيد الأسماك الصحيحة، لكنها تصطاد أيضاً الكثير من النفايات (الإجابات الخاطئة).

المشكلة: لديك شبكة تصطاد "كل الألعاب الأولمبية"، لكنك كنت تريد "الألعاب الأولمبية الشتوية" فقط.
الحل (التعقب العكسي - Backchase): يعمل النظام الآن بشكل عكسي. يبدأ بالشبكة الواسعة ويحاول إعادة إضافة الأدلة، واحداً تلو الآخر، لتصفية النفايات. ويتوقف عن إضافة الأدلة في اللحظة التي يدرك فيها: "إذا أضفت هذا الدليل الإضافي، سأبدأ في فقدان الإجابات الصحيحة مرة أخرى". هذا يضمن أن الإجابة النهائية دقيقة ولا تحتوي على هراء (السلامة - Soundness).

4. "المُصيغ" (التحدث باللغة)

بمجرد أن يحدد فريق التحقيق المجموعة المثالية من الأدلة (المنطق)، يقوم النظام بترجمة ذلك المنطق إلى اللغة المحددة التي تفهمها قاعدة البيانات.

السحر: لأن المنطق تم استخراجه قبل الترجمة، يمكن لـ UniQGen التحدث بـ كلتا اللغتين (SPARKL و Cypher) بنفس الكفاءة. لا يحتاج إلى إعادة تدريب أو "تعلم" لغة جديدة في كل مرة؛ فهو فقط يغير لهجة التقرير النهائي.

لماذا يعد هذا أمراً هاماً؟

لا يتطلب "دراسة": معظم أنظمة الذكاء الاصطناعي تحتاج إلى "دراسة" (ضبط دقيق) بناءً على كميات هائلة من البيانات لكل قاعدة بيانات جديدة. أما UniQGen فهو "خالٍ من التدريب" (training-free)؛ فهو يستنتج الأمور فورياً باستخدام منطق التحقيق الخاص به.
لا يوجد "ارتباط حصري": غالباً ما تقع الشركات في فخ استخدام نوع واحد من قواعد البيانات لأن التغيير صعب للغاية. يكسر UniQGen هذا الارتباط من خلال فهم قصد السؤال، وليس مجرد قواعد كتابة قاعدة البيانات.
إجابات أفضل: في اختباراتهم، كان UniQGen أفضل بكثير في إيجاد الإجابات الصحيحة من الطرق السابقة، خاصة للأسئلة المعقدة التي تتطلب ربط نقاط متعددة (الاستنتاج متعدد الخطوات - multi-hop reasoning). لقد حسن الدقة بشكل كبير في الاختبارات القياسية.

باختصار:
UniQGen هو وكيل ذكي ومتكيف يفهم أولاً ما تعنيه بالضبط عبر تفكيك سؤالك إلى أدلة، ثم يستخدم استراتيجية "الإرخاء والشد" لإيجاد التوازن المثالي بين صيد جميع الإجابات الصحيحة وتصفية الإجابات الخاطئة، وكل ذلك دون الحاجة إلى إعادة تدريبه لكل قاعدة بيانات جديدة يواجهها.

ملخص تقني: UniQGen – توليد استعلامات الرسوم البيانية باستخدام وكلاء نماذج لغوية كبيرة موجهة بالقيود

بيان المشكلة

تقليديًا، انقسمت عملية الإجابة على أسئلة الرسوم البيانية المعرفية (KGQA) إلى نموذجين معزولين: نموذج إطار وصف الموارد (RDF) الذي يتم الاستعلام عنه عبر SPARQL، ونموذج الرسم البياني الملحق بالخصائص (LPG) الذي يتم الاستعلام عنه عبر Cypher أو Gremlin. يخلق هذا الانفصال تأثير "الارتباط بنموذج الرسم البياني"، حيث تنتقل الالتزامات التنظيمية لنموذج معين إلى لغات الاستعلام وأدوات العمل، مما يجعل عملية الانتقال مكلفة. وبينما أظهرت النماذج اللغوية الكبيرة (LLMs) قدرة واعدة في توليد استعلامات الرسوم البيانية، فإن النشر الصناعي يواجه أربعة تحديات حرجة:

الهلوسة/عدم المواءمة: غالبًا ما تولد النماذج اللغوية الكبيرة استعلامات صحيحة نحويًا ولكنها لا تتطابق مع مخطط (Schema) الرسم البياني المعرفي (KG) أو بنيته الطوبولوجية.
القيود البراغماتية المفقودة: غالبًا ما تفشل الاستعلامات المولدة في التقاط مقاصد المستخدم الضمنية (مثل التصفية للحصول على "الأدوية المعتمدة" بدلاً من مجرد أي دواء).
تكاليف الصيانة العالية: تعتمد الطرق الموجودة بشكل كبير على الضبط الدقيق (Fine-tuning) الخاص بالمخطط، مما يجعلها هشة عند تطور المخططات أو عند الانتقال إلى رسوم بيانية معرفية جديدة.
الافتقار إلى الحلول الموحدة: تركز معظم الاختبارات والأساليب على لغة استعلام واحدة (عادةً SPARQL)، مما يترك فجوة لتوليد موحد وعابر للغات (مثل Cypher) دون الحاجة لإعادة التدريب.

المنهجية: إطار عمل UniQGen

يقترح المؤلفون UniQGen، وهو إطار عمل غير مرتبط بالتدريب وغير مرتبط بمخطط محدد، يقوم بتحويل الاستعلامات باللغة الطبيعية (NL) إلى استعلامات رسوم بيانية قابلة للتنفيذ (Cypher أو SPARQL) باستخدام نهج موجه بالقيود يعتمد على نسخة معدلة من خوارزمية Chase & Backchase. يعمل إطار العمل من خلال ثلاث مراحل أساسية يديرها وكلاء النماذج اللغوية الكبيرة (LLM agents):

1. استخراج الحقائق المتمحور حول الاستعلام

بناءً على استعلام اللغة الطبيعية $Q_n$ والرسم البياني المعرفي $G$ ، يقوم النظام أولاً بربط الكيانات (Entity Linking) لتحديد العقد المذكورة. ثم يستنتج رسمًا بيانيًا فرعيًا محليًا $G'$ عن طريق تجميع جيران الـ $k$ -hop لهذه الكيانات. يعمل هذا الرسم البياني الفرعي كـسياق واقعي لعملية استخراج القيود اللاحقة.

2. بناء جدول القيود (CTable)

يقوم الوكيل $a_1$ ببناء جدول قيود (CTable)، وهو تجريد مستقل عن اللغة يحتوي على:

أنماط الثلاثيات المحددة بالنوع: علاقات بين الكيانات.
قيود القيم: مرشحات (Filters) على القيم الحرفية (مثل $x > c$ ).
القيود الهيكلية: عمليات الربط (Joins)، المسارات المحدودة، إلخ.
من الضروري أن يقوم الوكيل بتعزيز هذا الجدول بـ قيود ضمنية/براغماتية (مثل Approved=True) مستمدة من سياق الاستعلام. يتم تعيين درجة عدم يقين $u_i \in [0, 1]$ لكل قيد $c_i$ بناءً على عدد مطابقاته في الرسم البياني المعرفي، مما يوجه عملية البحث. يتم تطبيع الـ CTable إلى نواة أحادية الاتجاه (monotone core) لتسهيل المعالجة المنطقية.

3. حلقة Chase & Backchase المدعومة بالنماذج اللغوية الكبيرة

ينفذ الوكيل $a_2$ مرحلة بحث ثنائية لتوازن بين الاكتمال بالنسبة للنموذج اللغوي الكبير (تغطية جميع الإجابات المرجعية) والسلامة بالنسبة للنموذج اللغوي الكبير (استبعاد الإجابات غير ذات الصلة) باستخدام استراتيجية البحث الشعاعي (Beam Search):

مرحلة مطاردة الاستعلام (التخفيف - Relaxation): بدءًا من "الاستعلام الشامل" ( $Q_U$ ) الذي يحتوي على جميع القيود، يقوم النظام بشكل متكرر بإزالة قيد واحد في كل مرة إذا فشل الاستعلام في تغطية مجموعة الإجابات المرجعية $A$ (المقدمة من نموذج لغوي كبير مرجعي/Oracle). يضمن هذا الاكتمال النسبي.
ملقة المطاردة الخلفية للاستعلام (التضييق - Tightening): بدءًا من الاستعلامات الفرعية لـ $Q_U$ ، يقوم النظام بإضافة القيود مرة أخرى بشكل متكرر للعثور على "الاستعلام الأدنى" ( $Q_M$ ) الذي يلبي المجموعة المرجعية دون تكرار، مما يضمن السلامة النسبية والحد الأدنى.
الصيرورة (Rendering): يتم صيرورة المخطط المنطقي النهائي إلى لغة الاستعلام المستهدفة (Cypher أو SPARQL) عبر صيرورة قابلة للاستبدال (Pluggable Renderer).

يعتمد إطار العمل على التحقق من الصحة أثناء التشغيل مقابل مجموعة إجابات مرجعية $A$ بدلاً من التدريب خارج الخط، مما يجعله قابلاً للتكيف مع تغير المخططات (Schema Drift) والرسوم البيانية المعرفية الجديدة بأقل قدر من التكوين (مثل تحديث قوائم المرادفات).

المساهمات الرئيسية

خط معالجة موحد وصديق للنشر: يوحد UniQGen استخراج القيود، وبناء CTable، وتحسين Chase & Backchase في خط معالجة واحد يولد استعلامات صحيحة قواعديًا ومعقولة دلاليًا للرسوم البيانية المعرفية التي لا تعتمد على مخطط محدد (Schema-less) دون الحاجة لضبط دقيق.
إعادة الصياغة القائمة على القيود: قام المؤلفون بتكييف خوارزمية Chase & Backchase لتوليد استعلامات الرسوم البيانية، باستخدام وكلاء النماذج اللغوية الكبيرة لاستكشاف القيود المرشحة عبر البحث الشعاعي مع فرض ضمانات الاكتمال والسلامة النسبية.
الموارد والتقييم: قام المؤلفون بنشر رسم بياني Freebase على Amazon Neptune يدعم كلاً من Cypher وSPARQL. كما أطلقوا نسخة Freebase جاهزة للاستخدام، ووصفة نشر بخطوة واحدة، وأزواج Cyper ذهبية متوافقة مع اختبارات SPARQL الشهيرة (GraphQ, GrailQA, WebQSP) لتسهيل الأبحاث الموحدة والقابلة لإعادة الإنتاج عبر اللغات.

النتائج التجريبية

تم تقييم إطار العمل على ثلاثة اختبارات معيارية: GraphQ، وGrailQA، وWebQSP.

الأداء: تفوق UniQGen على النماذج المرجعية المتطورة (بما في ذلك Pangu وArcaneQA) في كل من الدقة والكفاءة.
- في GraphQ، حقق UniQGen زيادة في F1 بنسبة 31.6% عن أفضل نموذج مرجعي.
- في GrailQA، حقق زيادة في F1 بنسبة 4.9%.
- أظهر أداءً فائقًا في الإعدادات ذات الموارد المنخفضة (GraphQ) والاستعلامات متعددة الخطوات (Multi-hop)، حيث تتدهور الطرق القائمة على التدريب غالبًا.
القدرة العابرة للغات: نجح إطار العمل في توليد استعلامات Cypher عالية الجودة، وهو مجال لم ينل حقه من البحث في اختبارات KGQA التي يهيمن عليها SPARQL.
الكفاءة: على عكس الأنظمة القائمة على التدريب التي تتطلب أيامًا من الضبط الدقيق، لا يتطلب UniQGen أي تكلفة تدريب. ويحقق متوسط زمن انتقال للتوليد يبلغ حوالي 40 ثانية لكل استعلام، مع تنفيذ الخطط الدنيا في أقل من 0.3 ثانية (P50).
المتانة: حافظ النظام على أداء مستقر تحت قيود الإنتاج (مثل المهلات الزمنية والطلبات المتزامنة) وأظهر تراجعًا تدريجيًا ومنظمًا في الاستعلامات المعقدة متعددة الخطوات مقارنة بالنماذج المرجعية.

الأهمية والادعاءات

يزعم البحث أن UniQGen يعالج الفجوة الحرجة بين حلول KGQA الأكاديمية والاحتياجات الصناعية من خلال تقديم نهج موحد وغير مرتبط بالتدريب يقلل من "الارتباط باللغة". ومن خلال الاستفادة من خوارزمية Chase & Backchase مع وكلاء النماذج اللغوية الكبيرة، يوفر إطار العمل ضمانات نسبية للسلامة والاكتمال فيما يتعلق بمجموعة الإجابات المرجعية، دون الحاجة إلى تدريب مكثف خاص بالمخطط.

يؤكد المؤلفون أن نهجهم مناسب بشكل خاص لـ KGQA على مستوى المؤسسات حيث تكون المخططات كبيرة، أو ديناميكية، أو مملوكة (بدون مخطط محدد)، وحيث تكون القدرة على التبديل بين لغات الاستعلام (مثل Cypher مقابل SPARQL) دون إعادة التدريب أمرًا ضروريًا. إن إصدار نسخة Freebase الجاهزة لـ Neptune واختبارات المقارنة العابرة للغات يهدف إلى دعم الأبحاث المستقبلية في مجال KGQA الموحد والقابل لإعادة الإنتاج.