🤖 AI

Generating Graph-like Rules for Knowledge Graph Reasoning via Diffusion Models

تقترح الورقة البحثية إطار عمل GRiD، وهو إطار عمل مبتكر يستفيد من استراتيجية تدريب ثنائية المراحل تجمع بين التدريب المسبق الخاضع للإشراف والتعلم التعزيزي للتغلب على قيود الطرق الحالية وتوليد قواعد شبيهة بالرسوم البيانية قابلة للتفسير بفعالية للاستدلال على الرسوم البيانية للمعرفة.

المؤلفون الأصليون: Haoxiang Cheng, Yunfei Wang, Chao Chen, Kewei Cheng, Zhipeng Lin, Haoxuan Li, Changjun Fan, Shixuan Liu

نُشر 2026-06-01

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Haoxiang Cheng, Yunfei Wang, Chao Chen, Kewei Cheng, Zhipeng Lin, Haoxuan Li, Changjun Fan, Shixuan Liu

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

الصورة الكبيرة: حل لغز "الحلقة المفقودة"

تخيل الرسم البياني للمعرفة (Knowledge Graph) كأنه أحجية ضخمة وعملاقة من الحقائق. كل قطعة هي عبارة عن صلة بين شيئين (مثل "تورينج" و"المملكة المتحدة" متصلين بـ "وُلد في"). أحياناً، تكون بعض القطع مفقودة. الهدف من الاستدلال في الرسم البياني للمعرفة (Knowledge Graph Reasoning) هو معرفة أين تذهب تلك القطع المفقودة.

لفترة طويلة، حاولت الحواسيب حل هذه المشكلة عبر البحث عن قواعد (Rules). فكر في القاعدة كأنها دليل تعليمات بسيط: "إذا كان الشخص يعمل في جامعة، وكانت تلك الجامعة تقع في مدينة، فإن ذلك الشخص وُلد في تلك المدينة."

المشكلة: "السلسلة" مقابل "الشبكة"

الطريقة القديمة (القواعد الشبيهة بالسلاسل):
معظم الطرق السابقة كانت تبحث فقط عن قواعد تشبه سلسلة واحدة من الخرز.

التشبيه: تخيل قطاراً. العربة (أ) متصلة بالعربة (ب)، والتي بدورها متصلة بالعربة (ج). إنه خط مستقيم.
العيب: الحياة الواقعية فوضوية. أحياناً، لمعرفة ما إذا كان الشخص مواطناً في دولة ما، نحتاج لمعرفة أنه يعيش هناك وَ يعمل هناك وَ لديه زوج/زوجة هناك. "قطار" الحقائق المستقيم هذا لا يمكنه استيعاب هذا التعقيد. الأمر يشبه محاولة وصف شبكة عنكبوت باستخدام خط مستقيم واحد فقط.

المشكلة الجديدة (كابوس البحث):
إذا حاولنا إيجاد هذه القواعد المعقدة الشبيهة بالشبكات (ذات الفروع والدوائر) باستخدام الطرق القديمة، فسيكون الأمر كمن يحاول العثور على إبرة محددة في كومة قش تنمو بشكل أسي في كل ثانية. سيتعثر الكمبيوتر لأن هناك الكثير من الاحتمالات التي يجب فحصها واحداً تلو الآخر.

المشكلة الجديدة (تدريب "الصندوق الأسود"):
مؤخراً، أصبحت نماذج الذكاء الاصطناعي التي تسمى نماذج الانتشار (Diffusion Models) (وهي نفس التقنية الكامنة وراء مولدات الصور مثل DALL-E) بارعة جداً في إنشاء هياكل معقدة. ومع ذلك، فهي عادة ما تتعلم من خلال محاولة "إعادة بناء" صورة أو نقطة بيانات بدقة تامة.

عدم التوافق: في عملية استخراج القواعد، نحن لا نهتم إذا كانت القاعدة تبدو "مثالية" من الناحية البصرية؛ بل نهتم بما إذا كانت صحيحة منطقياً ومفيدة. الطريقة القياسية التي تتعلم بها هذه النماذج (الرياضيات التي تقيس الاختلافات في البكسلات) لا تعمل للتحقق مما إذا كانت القاعدة المنطقية جيدة. الأمر يشبه محاولة تعليم طباخ كيفية طهي شريحة لحم مثالية عبر طلب إعادة إنشاء صورة لشريحة اللحم، بدلاً من تذوق اللحم نفسه.

الحل: GRiD

يقترح المؤلفون GRiD، وهو إطار عمل جديد يعمل كـ مهندس ذكي ذو خطوتين لبناء هذه القواعد المعقدة الشبيهة بالشبكات.

الخطوة 1: مرحلة "المتدرب" (التدريب المسبق الخاضع للإشراف)

قبل أن يحاول الذكاء الاصطناعي أن يكون مبدعاً، يحتاج إلى تعلم أساسيات لبنات البناء.

التشبيه: تخيل مهندس معماري متدرباً يُعطى آلاف الصور لهياكل بنائية قائمة وصحيحة (رسوم بيانية فرعية من الرسم البياني للمعرفة). هو لا يحتاج لابتكار أي شيء بعد؛ هو فقط يتعلم كيف يبدو "الجدار"، و"العارضة"، و"السقف" عندما يتناسبون معاً بشكل صحيح.
ما يفعله GRiD: يستخدم عملية "إزالة الضجيج" (Denoising). يأخذ قاعدة صحيحة، ويقوم بتشويهها (إضافة ضجيج)، ثم يعلّم الذكاء الاصطناعي كيفية فك هذا التشويه للعودة إلى الأصل. هذا يعلّم الذكاء الاصطناعي الأنماط الهيكلية لكيفية بناء القواعد دون القلق بشأن ما إذا كانت هي القواعد الأفضل بعد.

الخطوة 2: مرحلة "الشيف الماهر" (التعلم التعزيزي)

الآن بعد أن عرف المتدرب كيفية بناء الهياكل، يحتاج لتعلم أي الهياكل هي في الواقع جيدة لحل اللغز.

التشبيه: المتدرب أصبح الآن طباخاً. يمكنه طهي شريحة لحم، ولكن هل هي لذيذة؟ تقول الورقة إن دروس الطبخ القياسية لا تعلم "المذاق". لذا، يستخدم GRiD التعلم التعزيزي (Reinforcement Learning - RL).
كيف يعمل: يقوم الذكاء الاصطناعي بتوليد قاعدة (يطهو شريحة اللحم). ثم، يأتي "حكم" (نظام المكافأة) ليتذوقها. الحكم لا ينظر إلى الصورة؛ بل يفحص المنطق: "هل تساعد هذه القاعدة فعلياً في التنبؤ بالحقائق المفقودة؟ هل هي واثقة؟ هل تغطي مساحة كافية؟"
المكافأة: إذا كانت القاعدة جيدة، يحصل الذكاء الاصطناعي على "نجمة ذهبية" (مكافأة إيجابية). إذا كانت سيئة، يحصل على "إشارة عدم الرضا". يقوم الذكاء الاصطناعي بتعديل استراتيجيته للحصول على المزيد من النجوم الذهبية. هذا يسمح للذكاء الاصطناعي بالتعلم مباشرة من جودة المنطق، وليس فقط من شكل البيانات.

كيف يعمل في الممارسة العملية

المدخلات: تخبر الذكاء الاصطناعي: "أريد إيجاد قواعد لعلاقة 'مواطن لـ'".
التوليد: يبدأ الذكاء الاصطناعي بلوحة فارغة مشوشة. يبدأ ببطء في "إزالة الضجيج"، حيث يضيف الروابط والعقد خطوة بخطوة، مسترشداً بـ "النجوم الذهبية" التي تعلمها في المرحلة الثانية.
المخرجات: ينتج قاعدة معقدة تشبه الشبكة.
- مثال: بدلاً من مجرد "يعيش في -> مواطن لـ"، قد يولد: "يعيش في و يعمل في و لديه زوج/زوجة تعيش في -> مواطن لـ".
النتيجة: تُستخدم هذه القواعد المعقدة بعد ذلك لملء القطع المفقودة في لغز الرسم البياني للمعرفة الضخم.

النتائج: لماذا يهم هذا؟

اختبرت الورقة هذا النموذج على ست مجموعات بيانات مختلفة (تتراوح من أشجار العائلة إلى قواعد بيانات طبية ونجوم السينما).

دقة أفضل: حقق GRiD أداءً أفضل من معظم الطرق الأخرى في التنبؤ بالحقائق المفقودة.
تأثير "الدمج": كان الاكتشاف الأكثر إثارة للاهتمام هو أن القواعد الشبيهة بالسلاسل (الخيوط البسيطة) والقواعد الشبيهة بالرسوم البيانية (الشبكات المعقدة) تعملان بشكل أفضل معاً.
- التشبيه: فكر في قواعد السلسلة كأنها "الخبز والزبدة" للوجبة — فهي موثوقة وتغطي معظم المساحات. أما قواعد الرسم البياني فهي "التوابل الحارة" — هي لا تغطي كل شيء، لكنها تضيف النكهة المحددة اللازمة لحل الحالات الصعبة والغامضة حيث تفشل القواعد البسيطة.
الكفاءة: على الرغم من أن إيجاد هذه القواعد المعقدة يبدو عملية ثقيلة حسابياً، إلا أن GRiD سريع وفعال بشكل مدهش لأنه يقوم بتوليدها مباشرة بدلاً من البحث عبر كل الاحتمالات.

الملخص

GRiD هو طريقة جديدة لتعليم الحواسيب كيفية إيجاد قواعد منطقية معقدة ومتعددة الأوجه. إنه يجمع بين التعلم الهيكلي لنموذج الانتشار (تعلم الأشكال الصالحة) وبين حلقة التغذية الراجعة للعبة الفيديو (تعلم معنى "الفوز"). هذا يسمح له بحل ألغاز الاستدلال المعقدة التي لطالما عجزت القواعد المستقيمة والبسيطة عن حلها.

ملخص تقني: توليد قواعد شبيهة بالرسوم البيانية للاستدلال في الرسوم البيانية للمعرفة عبر نماذج الانتشار

1. بيان المشكلة

يعتمد الاستدلال في الرسوم البيانية للمعرفة (KG) بشكل كبير على القواعد المنطقية لاستنتاج الحقائق المفقودة مع قابلية التفسير. ومع ذلك، تواجه طرق تنقيب القواعد الحالية عائقين رئيسيين:

القيود الهيكلية: تركز النهج الحالية بشكل أساسي على القواعد الشبيهة بالسلاسل (تسلسلات خطية من العلاقات). ورغم كفاءتها، إلا أن هذه الهياكل تفشل في التقاط الأنماط العلاقاتية الأكثر ثراءً مثل الدورات (cycles)، والتفرعات (branches)، والقيود المتداخلة الموجودة في مخططات الرسوم البيانية للمعرفة المعقدة. يؤدي هذا إلى تنبؤات غامضة في السيناريوهات التي تتطلب قيوداً متعددة العلاقات مشتركة.
عنق الزجاجة الحسابي: يؤدي توسيع اكتشاف القواعد ليشمل قواعد شبيهة بالرسوم البيانية (حيث يشكل جسم القاعدة رسماً بيانياً موجهاً) إلى انفجار توافقي في فضاء البحث ( $O((L|R|)^L)$ مقارنة بـ $O(|R|^L)$ للسلاسل). تعاني النماذج التقليدية القائمة على البحث من هذه التعقيدات الأسية.
عدم توافق النموذج التوليدي: بينما نجحت نماذج الانتشار (Diffusion Models) في مجالات أخرى، لا يمكن تطبيقها مباشرة على تنقيب القواعد. تعمل تدريبات نماذج الانتشار القياسية على تحسين خسائر إعادة البناء القابلة للاشتقاق، بينما يتم تقييم جودة القاعدة باستخدام مقاييس منفصلة غير قابلة للاشتقاق (مثل الثقة، والتغطية، وثقة PCA). وهذا يخلق عدم توافق بين هدف التدريب والهدف الدلالي لتوليد قواعد عالية الجودة.

2. المنهجية: إطار عمل GRiD

يقترح المؤلفون إطار عمل GRiD (توليد قواعد شبيهة بالرسوم البيانية باستخدام الانتشار)، وهو إطار يعيد صياغة اكتشاف القواعد كعملية توليدية منفصلة مشروطة. يستخدم GRiD استراتيجية تدريب مكونة من مرحلتين للتغلب على تحديات البحث المنفصل والمقاييس غير القابلة للاشتقاق.

2.1 صياغة الانتشار المنفصل

نمذج GRiD جسم القاعدة كـ مصفوفة تجاور موجهة $A \in \{0, 1, \dots, |R|, \emptyset\}^{S \times S}$ ، حيث $S$ هو الحد الأقصى لعدد العقد و $R$ هي مجموعة العلاقات.

التكييف (Conditioning): يتم تكييف عملية التوليد بناءً على علاقة الرأس المستهدفة $r_h$ وخطوة الانتشار الزمنية $t$ .
العملية الأمامية (Forward Process): يتم إفساد مصفوفة القاعدة النظيفة $A_0$ تدريجياً لتصبح ضجيجاً $A_T$ باستخدام عملية انتقال ماركوف فئوية (إطار عمل D3PM)، حيث يتم إما الحفاظ على الحواف أو إعادة أخذ عينات منها بشكل موحد من جميع أنواع العلاقات.
العملية العكسية (Reverse Process): تتعلم شبكة "ترانسفورمر الرسم البياني" لإزالة الضجيج $f_\theta$ إعادة بناء المصفوفة النظيفة من الضجيج، مشروطة بالعلاقة المستهدفة والخطوة الزمنية عبر تعديل خطي ميزاتي (FiLM).

2.2 استراتيجية التدريب ثنائية المرحلة

لمعالجة عدم قابلية اشتقاق مقاييس جودة القواعد، يدمج GRiD بين التعلم الخاضع للإشراف (SL) والتعلم التعزيزي (RL):

المرحلة أ: التدريب المسبق الخاضع للإشراف (SL):
- الهدف: تعلم الأولويات الهيكلية وتوفير بداية دافئة.
- الطريقة: يتم تدريب النموذج على إعادة بناء الرسوم البيانية الفرعية المأخوذة من الميتا-رسم البياني (meta-graph) الخاص بالرسم البياني للمعرفة. يجمع الهدف بين خسارة "الاعتراض المتقاطع الموزون" لإعادة البناء الهيكلي وخسارة مساعدة للتنبؤ بدرجة جودة عددية (بناءً على التغطية والثقة). هذا يربط التمثيلات المتعلمة بإشارات جودة القواعد دون الحاجة إلى التحسين المباشر للمقاييس المنفصلة.
المرحلة ب: الضبط الدقيق بالتعلم التعزيزي (RL):
- الهدف: التحسين المباشر لمقاييس جودة القواعد غير القابلة للاشتقاق.
- الطريقة: يتم تأطير عملية إزالة الضجيج كعملية قرار ماركوف (MDP) حيث تعمل شبكة إزالة الضجيج كسياسة عشوائية.
- إشارة المكافأة: عند توليد قاعدة كاملة، يتم حساب المكافأة كمتوسط هندسي لـ التغطية (Coverage)، والثقة (Confidence)، وثقة PCA.
- التحسين: يتم ضبط النموذج بدقة باستخدام خوارزمية REINFORCE مع وجود خط أساس (baseline) لتقليل التباين، مما يعظم المكافأة المتوقعة على مستوى الحلقة. تُستخدم تنظيم الإنتروبيا لتشجيع الاستكشاف.

2.3 مسار الاستدلال

خلال الاستدلال، يقوم النموذج بعملية إزالة ضجيج مشروطة متكررة تبدأ من مصفوفة تجاور صاخبة لتوليد جسم قاعدة شبيه بالرسم البياني المنفصل. يتم تحليل الرسم البياني الناتج إلى قاعدة منطقية (تحديد متغيرات الرأس والذيل) وتصفيته مقابل القيود الهيكلية للرسم البياني للمعرفة.

3. المساهمات الرئيسية

ابتكار إطار العمل: اقتراح GRiD، الذي ينقل اكتشاف القواعد من البحث التوافقي المتكرر إلى عملية انتشار منفصلة مشروطة، مما يسمح بتوليد هياكل معقدة شبيهة بالرسومات البيانية.
استراتيجية التدريب: تقديم مسار تدريب ثنائي المرحلة يجمع بين التدريب المسبق (SL) للتعرف على الأنماط الهيكلية والضبط الدقيق (RL) لمواءمة العملية التوليدية مع مقاييس جودة القواعد غير القابلة للاشتقاق.
التحقق التجريبي: تجارب مكثفة على ست مجموعات بيانات مرجعية (بما في ذلك FB15K-237 و YAGO3-10 ومجموعات بيانات خاصة بالمجال) تثبت أن GRiD يحقق أداءً تنافسياً في مهام إكمال الرسوم البيانية للمعرفة (KGC).
رؤية حول أنواع القواعد: تؤكد دراسات الاستئصال (Ablation studies) أن القواعد الشبيهة بالرسوم البيانية تكمل القواعد الشبيهة بالسلاسل. فبينما تلتقط القواعد الشبيهة بالسلاسل الانتظامات المنطقية المهيمنة، توفر القواعد الشبيهة بالرسوم البيانية إزالة غموض ضرورية في المخططات المعقدة، خاصة عندما تكون أوزان الدمج منخفضة (حوالي 0.1–0.2).

4. النتائج التجريبية

الأداء: يتفوق GRiD على معظم النماذج المرجعية القائمة على القواعد (مثل AnyBURL و AMIE و Neural-LP و RNNLogic) ويظل منافساً للطرق القائمة على التضمين (embeddings) وطرق GNN عبر ست مجموعات بيانات. والجدير بالذكر أنه يحقق أفضل أو ثاني أفضل النتائج في الرسوم البيانية للمعرفة واسعة النطاق حيث تواجه الطرق التقليدية القائمة على القواعد غالباً مشاهكل في القابلية للتوسع.
نتائج الاستئصال:
- الرسم البياني مقابل السلسلة: يتفوق الجمع بين القواعد الشبيهة بالرسغات البيانية والتشبيهة بالسلاسل باستمرار على استخدام أي نوع بمفرده، مما يؤكد طبيعتهما التكاملية.
- ضرورة التعلم التعزيزي (RL): يحقق الضبط الدقيق باستخدام RL تحسناً بنسبة 10% تقريباً في المقاييس مقارنة بالتدريب المسبق باستخدام SL فقط، مما يثبت ضرورة التحسين المباشر لجودة القاعدة.
- حجم الرسم البياني: حجم رسم بياني أقصى قدره $S=6$ عقد كافٍ للرسوم البيانية المعقدة، مما يوازن بين القدرة التعبيرية والكفاءة الحسابية.
- وزن الدمج: يتم تحقيق الأداء الأمثل عندما تساهم القواعد الشبيهة بالرسوم البيانية بنسبة صغيرة ومسيطر عليها (10-20%) في التقييم النهائي، حيث تعمل كإشارة مكملة بدلاً من كونها نموذج الاستدلال المهيمن.

5. الأهمية والادعاءات

يزعم البحث أن GRiD يعالج العائق الأساسي المتمثل في البحث عن القواعد الشبيهة بالرسوم البيانية من خلال الاستفيد من قدرات الانتشار التوليدية. ومن خلال النجاح في سد الفجوة بين مقاييس جودة القواعد المنفصلة والنمذجة التوليدية المستمرة عبر الضبط الدقيق باستخدام RL، يتيح إطار العمل الاكتشاف الفعال لـ القواعد الشبيهة بالرسوم البيانية التي تلتقط الأنماط العلاقاتية المعقدة (الدورات، التفرعات) التي كان يصعب الوصول إليها بواسطة طرق التنقيب القياسية.

يؤكد المؤلفون أنه بينما لا تعتبر القواعد الشبيهة بالرسوم البيانية بديلاً للقواعد الشبيهة بالسلاسل، إلا أنها تعمل كآلية مكملة حاسمة لحل الغموض في الرسوم البيانية للمعرفة ذات المخططات الغنية والمعقدة. يشير العمل إلى تحول من البحث الشامل إلى إجراءات التحسين القابلة للتعلم للمشكلات التوافقية ذات البنية الرسومية. كما تمت الإشارة إلى أن العمل المستقبلي سيستكشف توليد القواعد مباشرة من توزيعات الرسوم البيانية للمعرفة لتقليل انحياز العينات وتطوير مقاييس تقييم هيكلية أكثر دقة.