🤖 AI

HypoAgent: An Agentic Framework for Interactive Abductive Hypothesis Generation over Knowledge Graphs

يُعد HypoAgent إطار عمل وكيلِيّ يعزز التوليد الاستنباطي التفاعلي للفرضيات عبر الرسوم البيانية للمعرفة من خلال دمج التعرف على القصد، والتوليد القابل للتحكم، وتحليل الأسباب الجذرية للتعامل بفعالية مع الحوارات متعددة الأدوار وتقديم تحسينات تشخيصية دقيقة.

المؤلفون الأصليون: Yisen Gao, Yixi Cai, Tianshi Zheng, Jiaxin Bai, Yangqiu Song

نُشر 2026-06-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yisen Gao, Yixi Cai, Tianshi Zheng, Jiaxin Bai, Yangqiu Song

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 تحاول حل لغز، ولكن بدلاً من مسرح جريمة، فإن "أدلتك" هي قائمة من الحقائق أو العناصر الغريبة (مثل قائمة أمراض، أو عقاقير، أو لاعبي كرة قدم). هدفك هو صياغة قصة منطقية (فرضية) تشرح سبب ارتباط هذه العناصر ببعضها البعض.

يقدم هذا البحث HypoAgent، وهو نظام حاسوبي ذكي مصمم لمساعدتك في بناء هذه القصص باستخدام موسوعة رقمية ضخمة تسمى الرسم البياني للمعرفة (Knowledge Graph). فكر في الرسم البياني للمعرفة كشبكة عملاقة من الحقائق حيث ترتبط كل معلومة بأخرى (على سبيل المثال: "الدواء أ يعالج المرض ب").

إليك كيف يعمل HypoAgent، مقسماً إلى مفاهيم بسيطة:

المشكلة: "لعبة التخمين" صعبة

عادةً، عندما تطلب من الحاسوب إيجاد رابط بين قائمة من العناصر، فقد يخمن قصة تبدو جيدة ولكنها خاطئة في الواقع.

مشكلة "المرة الواحدة والانتهاء": الأنظمة القديمة كانت تستمع لتعليماتك الأولى فقط. إذا أردت تغيير القصة لاحقاً (مثلاً: "في الواقع، أريد التركيز على الأدوية بدلاً من الأعراض")، فإن النظام يصاب بالارتباك. لم يكن بإمكانه تذكر ما كنت تقصده في الجولات السابقة.
مشكلة "الكل أو لا شيء": إذا خمن الحاسوب قصة صحيحة بنسبة 90% ولكن بها تفصيل واحد خاطئ، فإن الأنظمة القديمة كانت تتخلص من القصة بأكملها وتبدأ من جديد. لم تكن تستطيع القول: "مهلاً، الجزء المتعلق بالأدوية صحيح، لكن الجزء المتعلق بالآثار الجانبية خاطئ. دعونا نصلح هذا الجزء فقط".

الحل: فريق HypoAgent المكون من ثلاثة متخصصين

يعالج HypoAgent هذه المشكلة من خلال العمل كفريق من ثلاثة محققين متخصصين يعملون معاً في حلقة مستمرة:

1. "المترجم" (وكيل التعرف على القصد - Intent Recognition Agent)

تخيل أنك تتحدث إلى روبوت حرفي للغاية. تقول له: "اجعل الأمر أبسط"، أو "أخبرني المزيد عن العلاج". قد يرتبك الروبوت العادي.

ما يفعله HypoAgent: هذا الوكيل يستمع إلى كلماتك الحالية وأيضاً يتذكر ما قلته قبل خمس دقائق. إنه يترجم حديثك البشني الغامض إلى "خريطة" دقيقة للحاسوب.
الاستعارة: يشبه المرشد السياحي الذي يعرف أنك بدأت بالسؤال عن "الجبال"، ثم سألت عن "مسارات التنزه"، والآن تقول "اجعل الأمر أسهل". المرشد يعرف أنك لا تقصد "التوقف عن التنزه"، بل تقصد "البحث عن مسار أكثر استواءً". إنه يحدث تعليمات الحاسوب بناءً على تاريخ محادثتك بالكامل.

2. "راوي القصص" (وكيل توليد الفرضيات - Hypothesis Generation Agent)

بمجرد أن يقدم المترجم التعليمات الواضحة، يقوم هذا الوكيل بكتابة القصة المنطقية.

ما يفعله HypoAgent: ينظر إلى "الرسم البياني للمعرفة" ويبني جملة منطقية (فرضية) تربط عناصر قائمتك.
الاستعارة: هذا هو الكاتب الذي يصيغ مسودة قصة الغموض. يحاول ربط النقاط بناءً على القواعد التي وضعها المترجم.

3. "المفتش" (وكيل تحليل السبب الجذري - Root Cause Analysis Agent)

هذا هو الجزء الجديد والأهم. بعد أن يكتب راوي القصص مسودة، يقوم المفتش بفحصها.

"التشخيص الدقيق": إذا فشلت القصة، فإن المفتش لا يكتفي بالقول "فشل". بل يقوم بتفكيك القصة إلى قطع صغيرة (أجزاء).
- مثال: إذا كانت القصة هي "هذه الأدوية تعالج التهاب المفاصل الروماتويدي وتستهدف IL-17"، فإن المفتش يفحص: "هل جزء 'علاج التهاب المفاصل الروماتويدي' يعمل؟ نعم. هل جزء 'استهداف IL-17' يعمل؟ لا".
"فحص الحي/المحيط": بعد ذلك، يبحث المفتش في "حي" أو "محيط" العناصر في الرسم البياني للمعرفة. يسأل: "إذا كانت هذه الأدوية لا تستهدف IL-17، فما هو الشيء المشترك بينها في المناطق المجاورة؟" رب الله تعالج مرضاً آخر، مثل مرض التهاب الأمعاء.
الاستعارة: تخيل ميكانيكيًا يصلح سيارة. بدلاً من رمي السيارة بأكملها لأن المحرك يصدر ضجيجاً، يقول الميكانيكي: "الإطارات جيدة، والمكابح جيدة، لكن شمعة الاحتراق (البوجيه) تالفة. دعنا نستبدل شمعة الاحتراق فقط". يقوم HypoAgent باستبدال الجزء الخاطئ من القصة بجزء أفضل تم العثور عليه في "المحيط"، بدلاً من البدء من الصفر.

كيف يعملون معاً (الحلقة)

أنت تطرح سؤالاً.
المترجم يحول سؤالك إلى خريطة.
راوي القصص يكتب مسودة.
المفتش يفحص المسودة.
- إذا كانت مثالية، تحصل على الإجابة.
- إذا كانت معيبة، يحدد المفتش الجزء المعطل بدقة، ويجد قطعة أفضل من "المحيط"، ويخبر راوي القصص أن يحاول مجدداً باستخدام التعليمات المُصححة.
تتكرر هذه العملية حتى تصبح القصة مثالية.

ما يدعيه البحث (النتائج)

اختبر المؤلفون هذا النظام على ثلاثة أنواع مختلفة من "الرسوم البيانية للمعرفة":

BioKG & PharmKG: قواعد بيانات طبية ودوائية.
DBpedia50: معلومات عامة عن العالم.

وجدوا أن HypoAgent يتفوق على الطرق السابقة في:

الاستماع إليك: يفهم تغير رأيك خلال محادثة طويلة (الحوار متعدد الأدوار).
إصلاح الأخطاء: يمكنه إصلاح قصة مكسورة عبر تغيير الجزء الخاطف فقط، مما يؤدي إلى نتائج أكثر دقة بكثير.
العمل بمفرده: حتى لو لم تعطه تعليمات محددة، يمكنه تحليل أخطائه وتحسين القصة من تلقاء نفسه.

باخت-القول: HypoAgent هو نظام ذكي لا يكتفي بتخمين الإجابات؛ بل يستمع لأسئلتك المتطورة، ويكتب قصة منطقية، وإذا وجد خلل في القصة، فإنه يعمل كالجراح لإصلاح الجزء السيئ فقط، مستخدماً البيانات المحيطة به لإيجاد البديل المثالي.

ملخص تقني: HypoAgent

بيان المشكلة

يهدف الاستدلال الاستنباطي (Abductive reasoning) عبر الرسوم البيانية للمعرفة (Knowledge Graphs - KGs) إلى توليد فرضيات منطقية (صيغ المنطق من الدرجة الأولى) لتفسير مجموعة من الكيانات الملحوظة. وبينما قدمت الأعمال الحديثة توليد فرضيات قابلة للتحكم — مما يسمح للمستخدمين بتوجيه العملية عبر شروط صريحة — تواجه الطرق الحالية مشكلتين حرجتين في الإعدادات التفاعلية:

نقص تأصيل القصد (Intent Grounding) في الحوارات متعددة الجولات: تعاني الطرق الحالية من صعوبة في تأصيل المقاصد المتطورة والغامضة باللغة الطبيعية عبر جولات حوارية متعددة. فهي تتطلب عادةً إشارات تحكم ثابتة وصريحة، ولا يمكنها تفسير الطلبات الديناميكية المعتمدة على السياق (مثل "استكشف المزيد" أو "اجعل الأمر أبسط") بناءً على تاريخ الحوار.
غياب التشخيص الدقيق للفشل: عندما تفشل الفرضية المولدة في استعادة الكيانات الملحوظة، تكتفي الطرق الحالية عادةً بتقييم تشابه مجموعة الإجابات النهائية فقط. فهي تفتقر إلى آليات لتشخيص سبب فشل الفرضية، وتحديد أي الأجزاء المنطقية المحددة غير موثوقة، أو تقديم تصحيحات مستهدفة. وبناءً على ذلك، لا يمكنها التمييز بين مكونات الفرضية الصحيحة والخاطئة أو الاستفادة من أدلة جوار الرسم البياني للمعرفة لتنقيح الفرضية دون إعادة توليدها من البداية.

المنهجية: إطار عمل HypoAgent

يقترح المؤلفون HypoAgent، وهو إطار عمل وكيل (agentic framework) مصمم لتوليد فرضيات استنباطية تفاعلية وقابلة للتفسير. يعمل النظام من خلال ثلاثة وكلاء متعاونين يشكلون حلقة استدلال تكرارية:

1. وكيل التعرف على القصد (IRA)

الـ IRA مسؤول عن تأصيل عبارات المستخدم في شروط مهيكلة وقابلة للتنفيذ في الرسم البياني للمعرفة. وخلافًا للمحللات أحادية الجولة، فإن الـ IRA واعٍ بالتاريخ. فهو يعالج عبارة المستخدم الحالية ( $u_t$ ) جنباً إلى جنب مع تاريخ التفاعل ( $D_{<t}$ )، والذي يتضمن الفرضيات السابقة، وتفسيراتها باللغة الطبيعية، والشروط المعترف بها، ودرجات التنفيذ.

الوظيفة: يقوم بتحويل التعليمات الغامضة أو المقارنة (مثل "احتفظ بالكيان ولكن غير العلاقة") إلى مجموعات شروط مهيكلة ( $c_t$ ).
أنواع الشروط: يقوم بتفكيك قصد المستخدم إلى خمسة أنواع من الشروط: العلاقة (relation)، الكيان (entity)، عدد العلاقات (relationnumber)، عدد الكيانات (entitynumber)، والنمط (pattern).
المخرجات: مجموعة شروط مهيكلة توجه خطوة التوليد اللاحقة.

2. وكيل توليد الفرضية (HGA)

يقوم الـ HGA باستدعاء مولد شرطي خفيف الوزن ومدرب ( $p_\theta$ ) لإنتاج فرضيات المنطق من الدرجة الأولى بناءً على الشروط المعترف بها.

العملية: بالنظر إلى الكيانات الملحوظة $O$ والشروط $c_t$ ، ينتج المولد فرضية $H_t$ عبر عملية تلقائية (autoregressive process).
التقييم: يتم تنفيذ الفرضية على الرسم البياني للمعرفة للحصول على مجموعة إجابتها $A_G(H_t)$ . ويُقاس الجودة باستخدام مقاييس قائمة على المجموعات (تشابه جاکارد، معامل دايس، معامل التداخل) مقابل المجموعة الملحوظة $O$ .
القرار: إذا كان المقياس مرضياً، يتم إرجاع الفرضية. وإذا لم يكن كذلك، يقوم النظام بتفعيل وكيل تحليل السبب الجذري.

3. وكيل تحليل السبب الجذري (RCAA)

يقوم الـ RCAA بتشخيص حالات الفشل وتنقيح الفرضية دون التخلص من عملية التوليد بأكملها. وهو يعمل عبر آليتين متكاملتين:

تشخيص أجزاء الفرضية: يتم تفكيك الفرضية إلى أجزاء قابلة للتنفيذ (مثل الذرات العلاقية المفردة أو الروابط الجزئية). يتم تنفيذ كل جزء على الرسم البياني للمعرفة لتحديد ما إذا كانت مجموعة إجابته تتوافق مع الملاحظات. يتم تحديد الأجزاء ذات التشابه المنخفض كأجزاء غير موثوقة، بينما يتم الحفاظ على الأجزاء ذات التشابه العالي.
سبر جوار الرسم البياني للمعرفة (KG Neighborhood Probing): يقوم الوكيل بسبر الجوارات المحلية للكيانات الملحوظة لاكتشاف العلاقات والكيانات والمسارات المرشحة التي تربط بينها بشكل شائع. وهذا يحدد المرتكزات الدلالية المفقودة أو العلاقات البديلة التي أغفلتها الفرضية الأولية.
استراتيجية التنقيح: بناءً على هذه التحليلات، يقوم الـ RCAA إما بـ:
1. إصلاح الفرضية الحالية عن طريق استبدال الأجزاء الضعيفة بعلاقات/مسارات مدعومة تم العث}^{-ها في الجوار.
2. توليد شروط تحكم منقحة (مثل إضافة مرتكز كيان مكتشف) لتوجيه المولد نحو فضاء فرضيات أفضل في الدورة التالية.

المساهمات الرئيسية

يحدد البحث ويعالج تحديات الاستدلال الاستنباطي التفاعلي من خلال المساهمات التالية:

تحديد المشكلة: يسلط المؤلفون الضوء على الصعوبات المحددة في تأصيل المقاصد المتطورة باللغة الطبيعية في التفاعلات متعددة الجولات، وإجراء تحليل دقيق للسبب الجذري للفرضيات الفاشلة في الاستدلال عبر الرسم البياني للمعرفة.
إطار عمل HypoAgent: يقدمون إطار عمل وكيل يدمج التعرف على القصد، والتوليد القابل للتحكم الواعي بالتاريخ، وتحليل السبب الجذري القائم على الرسم البياني للمعرفة. وهذا يتيح للمستخدمين تنقيح الفرضيات بشكل تكراري من خلال التغذية الراجعة باللغة الطبيعية.
التحقق التجريبي: أظهرت التجاروات المكثفة على ثلاثة معايير للرسوم البيانية للمعرفة (DBpedia50، PharmKG8k، BioKG) تغطي مجالات المعرفة العامة والمجالات الطبية الحيوية أن HypoAgent يحقق أفضل النتائج (state-of-the-art) في التشابه الدلالي عبر الإعدادات غير المشروطة، وأحادية الجولة، ومتعددة الجولات.

النتائج التجريبية

قيم المؤلفون HypoAgent مقابل النماذج المرجعية بما في ذلك CtrlHGen (العمود الفقري للتوليد القابل للتحكم)، وAbductiveKGR، وDARK.

التوليد القابل للتحكم أحادي الجولة: تفوقت متغيرات HypoAgent باستمرار على CtrlHGen في التشابه الدلالي (جاکارد، دايس، التداخل) عبر جميع مجموعات البيانات. على سبيل المثال، في PharmKG8k، حسن أفضل متغير تشابه جاکارد من 63.3% إلى 82.4%. وبينما كان هناك تراجع طفيف في دقة الالتزام بالشروط الصارمة في بعض مجموعات البيانات، إلا أن الجودة التفسيرية للفرضيات تحسنت بشكل كبير.
التنقيح متعدد الجولات: في الإعدادات متعددة الجولات، أظهر HypoAgent القدرة على تتبع المقاصد المتطورة. وقد أدى تضمين وحدة تحليل السبب الجذري (RCA) باستمرار إلى تحسين التشابه الدلالي مقارنة بالنسخ التي لا تحتوي على RCA، مما يؤكد فعاليتها في تحديد الأجزاء غير الموثوقة وتوجيه عملية التنقيح.
التحسين الذاتي غير المشروط: في الإعدادات التي لا تتضمن شروطاً صريحة من المستخدم، تفوق HypoAgent بشكل ملحوظ على AbductiveKGR وDARK. نجح النظام في استنتاج شروط داخلية مفيدة من حالات فشل الفرضية الأولية لتوجيه عمليات التنقيح اللاحقة، مما أظهر قدرات تحسين ذاتي.
دراسات الاستئصال (Ablation Studies): أدى حذف وحدة RCA إلى انخفاض واضح في الأداء. علاوة على ذلك، أظهرت الدراسة أن كلاً من "تشخيص أجزاء الفرضية" و"سبر جوار الرسم البياني للمعرفة" يساهمان بشكل فريد، حيث كان تشخيص الأجزاء حاسماً بشكل خاص للفرضيات المعقدة.

الأهمية والادعاءات

يزعم البحث أن HypoAgent يمثل خطوة مهمة للأمام في جعل الاستدلال الاستنباطي عبر الرسوم البيانية للمعرفة تفاعلياً وسهل الاستخدام. ومن خلال الانتقال من التحكم الساكن أحادي الجولة إلى إطار عمل وكيل متعدد الجولات، يسمح النظام للمستخدمين بتنقيح الفرضيات بشكل تعاوني من خلال اللغة الطبيعية.

يؤكد المؤلفون أن قدرة الإطار على إجراء تشخيص دقيق هي أمر بالغ الأهمية. فبدلاً من معاملة الفرضية الفاشلة كخسارة كلية، يحدد HypoAgent أخطاء منطقية محددة ويستفيد من الأدلة الهيكلية للرسم البياني للمعرفة لإصلاحها. لا يحسن هذا النهج جودة الفرضيات المولدة فحسب، بل يوفر أيضاً قابلية للتفسير من خلال شرح لماذا تم تعديل الفرضية. ويشير العمل إلى أن مثل هذا التنقيح الوكيلي والتكراري ضروري للتطبيقات العملية في مجالات مثل التشخيص السريري والاكتشاف العلمي، حيث تتطلب الفرضيات غالباً جولات متعددة من التعديل لتتماشى مع الملاحظات المعقدة.

يختتم البحث بإقرار متواضع بالقيود: يعتمد أداء الإطار على جودة وتغطية الرسم البياني للمعرفة الأساسي، كما أن اعتماده على إشارات الجوار المحلية قد يكون غير كافٍ للرسوم البيانية المتناثرة أو التفسيرات التي تتطلب استدلالاً بعيد المدى.