Hierarchy-Aware Semantic Losses for Knowledge Graph Link Prediction

في المشهد الرقمي الشاسع للعلوم الحديثة، نادراً ما تُخزن المعلومات في قوائم بسيطة أو ملفات مسطحة. بدلاً من ذلك، يعتمد الباحثون والحواسيب بشكل متزايد على الرسوم البيانية للمعرفة (knowledge graphs)، والتي تشبه شبكات ضخمة ومترابطة من الحقائق. تخيل شبكة حيث كل عقدة هي شيء ما — شخص، أو دواء، أو مرض، أو بروتين — وكل خط يربط بينهم هو علاقة، مثل "يعالج" أو "يسبب". تسمح هذه الهياكل للآلات بالتنقل عبر شبكات معقدة من البيانات، مما يساعد في التنبؤ بالروابط المفقودة، مثل اكتشاف أي دواء جديد قد يكون فعالاً لمرض معين. ومع ذلك، غالباً ما تجلس هذه الشبكات إلى جانب طبقة أخرى من التنظيم: شجرة عائلة للمفاهيم. تماماً كما ينتمي نوع بيولوجي إلى جنس، والذي ينتمي بدوره إلى فصيلة، فإن المفاهيم الرقمية غالباً ما تُنظم في تسلسلات هرمية حيث تكون فئة ما نوعاً محدداً من فئة أوسع. هذا الهيكل الخلفي يحمل أدلة قيمة حول كيفية ارتباط الأشياء ببعضها البعض، ولكن لفترة طويلة، تجاهلت برامج الكمبيوتر المصممة للتنقل في هذه الشبكات هذه الأشجار العائلية إلى حد كبير، مركزة فقط على الاتصالات المباشرة التي يمكنها رؤيتها.

لقد سعى فريق من الباحثين في جامعة تشالمرز للتكنولوجيا وجامعة غوتهنبرغ، بالتعاون مع زميل من جامعة كامبريدج، لتغيير ذلك. فقد طرحوا سؤالاً مباشلاً: إذا علمنا برامج الكمبيوتر هذه أن تحترم الأشجار العائلية للمفاهيم أثناء تعلمها، فهل ستصبح أفضل في التنبؤ بالروابط المفقودة؟ اختبر الباحثون نهجاً جديداً على ثلاث مجموعات مختلفة تماماً من البيانات: مجموعة من الحقائق الأكاديمية والتنظيمية، وشبكة ضخمة من المعرفة العامة المستمدة من ويكيبيديا، وشبكة بيولوجية معقدة تحتوي على أدوية وأمراض وبروتينات. وقارنوا طريقتهم الجديدة بالطريقة القياسية المتبعة، وبالتقنية القديمة التي حاولت فرض الشجرة العائلية داخل الشبكة عن طريق إضافة خطوط إضافية إلى الخريطة.

كانت النتائج واضحة ومتسقة. فمن خلال استخدام عقوبة رياضية خاصة تدفع فهم الكمبيوتر الداخلي بلطف ليتطابق مع الأشجار العائلية المعروفة، نجح الباحثون في تحسين قدرة النظام بشكل كبير على إيجاد الروابط المفقودة. هذه الطريقة الجديدة، التي أطلقوا عليها اسم "الخسارة الدلالية" (semantic loss)، كانت أفضل من مجرد إضافة علاقات الشجرة العائلية كإضافات زائدة في الرسم البياني. في الواقع، على المجموعة البيولوجية، كان التحسن كبيراً، حيث رفعت دقة النظام بنسبة خمسة عشر بالمائة مقارنة بالنهج القياسي. وعلى مجموعات البيانات الأخرى، كانت المكاسب إيجابية أيضاً، وتراوحت بين اثنين إلى ثمانية بالمائة. ولعل الأهم من ذلك، أن هذه الطريقة الأكثر ذكاءً في التعلم حققت هذه النتائج باستخدام موارد حاسوبية أقل من الطريقة التي أضافت خطوطاً إضافية إلى الخريطة.

وجد الباحثون أن نجاح هذا النهج يعتمد بشدة على جودة وعمق معلومات الشجرة العائلية المتاحة. فالمجموعة البيولوجية، التي احتوت على تسلسلات هرمية غنية ومفصلة للأدوية والأمراض والبروتينات، شهدت التحسن الأكثر دراماتيكية. أما مجموعة المعرفة العامة، التي كانت تمتلك شجرة عائلية أقل عمقاً وأقل اكتمالاً، فقد أظهرت مكاسب أكثر تواضعاً. وهذا يشير إلى أن التقنية ليست حلاً سحرياً يعمل بنفس الكفاءة في كل مكان، بل هي أداة قوية تتألق عندما يكون هناك معرفة هيكلية عميقة لتوجيه عملية التعلم. وتثبت هذه الدراسة أنه عندما يتم تشجيع الحواسيب على مواءمة خرائطها الداخلية مع الهياكل المنطقية التي بناها البشر بالفعل، فإنها تصبح أكثر فعالية في التنقل في عالم البيانات المعقد.

لفهم كيفية عمل ذلك، يجب على المرء النظر في كيفية تعلم هذه الأنظمة. تقليدياً، يتعلم الكمبيوتر التنبؤ بالروابط المفقودة من خلال دراسة أنماط الاتصالات التي يراها بالفعل. فهو ينشئ تمثيلاً عددياً مبسطاً لكل كيان في الشبكة، ويضعهم في مساحة افتراضية حيث تنتهي الأشياء المتشابهة بالقرب من بعضها البعض. تكمن المشكلة في أنه بدون توجيه، قد يضع الكمبيوتر نوعاً معيناً من السرطان بعيداً عن الفئة العامة لـ "المرض"، رغم علمنا أنه ينتمي إليها. تقدم الطريقة الجديدة قاعدة تقول: "إذا كنت تعتقد أن (أ) هو نوع من (ب)، فيجب أن تظهر خريطتك الداخلية أن (أ) تقع داخل مساحة (ب)". وتقوم بذلك من خلال التحقق من خريطة الكمبيوتر الداخلية عند كل خطوة من خطوات التعلم وتطبيق تصحيح صغير إذا تم انتهاك التسلسل الهرمي. هذا التصحيح ليس قاعدة صارمة تجبر الكمبيوتر على الطاعة، بل هو ضغط لطيف يشجعه على إيجاد حل يلبي كل من الاتصالات المرصودة والتسلسلات الهرمية المنطقية.

اختبر الفريق هذه الطريقة على ثلاث مجموعات بيانات متميزة لضمان قوة نتائجهم. الأولى هي AIFB، وهي مجموعة صغيرة من الحقائق حول الأشخاص والمشاريع والمنظمات. والثانية هي CoDEx، وهي رسم بياني ضخم متعدد المجالات مستمد من ويكيبيديا، يغطي كل شيء من الترفيه إلى العلوم. والثالثة هي BioKG، وهي شبكة بيولوجية متخصصة تربط الوظائف والأمراض والآثار الجانبية والبروتينات والأدوية. وكان لكل من هذه المجموعات هيكلها الهرمي الفريد، الذي تراوح من القوائم البسيطة إلى التسلسلات الهرمية العميقة والمعقدة. وقارن الباحثون طريقتهم الجديدة بمنهجين آخرين: نموذج قياسي يتجاهل الأشجار العائلية تماماً، ونموذج حاول دمج الأشجار عن طريق إضافة اتصالات إضافية إلى الرسم البياني.

أظهرت النتائج أن الطريقة الجديدة تفوقت على كلا المنافسين في جميع المجالات. ففي المجموعة البيولوجية، حسنت الطريقة الجديدة دقة التنبؤ بالروابط بنسبة خمسة عشر بالمائة مقارنة بالنموذج القياسي. وفي المجموعة الأكاديمية، بلغ التحسن قرابة ثمانية بالمائة، وفي مجموعة المعرفة العامة، كان حوالي اثنين ونصف بالمائة. ومن الأهمية بمكان أن الطريقة الجديدة تفوقت أيضاً على النهج الذي أضاف اتصالات إضافية. في الواقع، أدى إضافة اتصالات إضافية أحياناً إلى جعل الأداء أسوأ، لا سيما في المجموعة البيولوجية، ويرجع ذلك على الأرجح إلى ازدحام الرسم البياني بمعلومات كثيرة لا تساعد مباشرة في المهمة المحددة وهي إيجاد الروابط المفقودة. في المقابل، حافظت الطريقة الجديدة على نظافة الرسم البياني واستخدمت معلومات الشجرة العائلية كمبدأ توجيهي بدلاً من كونها إضافة مادية.

كما راقب الباحثون كيف تغير الفهم الداخلي للكمبيوتر بمرور الوقت. لقد تتبعوا "الخسارة" (loss)، أو مقياس مدى احترام الكمبيوتر للأشجار العائلية، أثناء تعلمه. ووجدوا أن هذا المقياس يتناقص باستمرار، مما يعني أن الكمبيوتر يتعلم بنجاح مواءمة خريطته الداخلية مع التسلسلات الهرمية المنطقية. ومع ذلك، فإن سرعة ومدى هذا التحسن اختلف باختلاف نوع البيانات. فالأصناف البيولوجية، التي كانت تمتلك تسلسلات هرمية عميقة ومفصلة، أظهرت أكبر قدر من المواءمة. أما فئات الآثار الجانبية، التي كانت أكثر تعقيداً وتنوعاً، فقد أظهرت المزيد من التقلب. وهذا يشير إلى أن الطريقة تكون أكثر فعالية عندما تكون الأشجار العائلية الأساسية محددة جيداً ومتسقة.

كان أحد النتائج الأكثر عملية هو أن هذه الطريقة الأكثر ذكاءً في التعلم كانت أيضاً أكثر كفاءة. فالمنهج الذي أضاف اتصالات إضافية إلى الرسم البياني تطلب ذاكرة حاسوبية وقدرة معالجة أكبر بكثير، خاصة في المجموعة البيولوجية الضخمة. أما الطريقة الجديدة، التي استخدمت الشجرة العائلية كقاعدة توجيهية بدلاً من إضافة مادية، فقد حققت نتائج أفضل باستخدام موارد أقل. هذه الكفاءة مهمة لأنها تعني إمكانية توسيع هذه التقنية لتشمل شبكات أكبر وأكثر تعقيداً دون إرهاق الأنظمة الحاسوبية التي تشغلها.

تخلص الدراسة إلى أن دمج التسلسلات الهرمية المنطقية في عملية التعلم هو وسيلة قوية لتحسين كيفية فهم الآلات للبيانات المعقدة. وهي تشير إلى أن أفضل طريقة لتعليم الكمبيوتر حول بنية العالم ليست فقط في إظهار الاتصالات له، بل وأيضاً في تذكيره بالقواعد التي تحكم تلك الاتصالات. ومن خلال القيام بذلك، يبني الكمبيوتر خريطة أكثر دقة وموثوقية للبيانات، قادرة على تقديم تنبؤات أفضل لما هو مفقود. هذا النهج لا يحل محل الحاجة إلى البيانات نفسها، ولكنه يعزز طريقة استخدام البيانات، محولاً إياها من مجرد شبكة بسيطة من الحقائق إلى نظام منطقي مهيكل يعكس الطريقة التي ينظم بها البشر المعرفة. وتقدم النتائج مساراً واضحاً لبناء أنظمة أكثر ذكاءً في مجالات تتراوح من الطب إلى البحث العلمي، حيث يعد فهم العلاقات بين الأشياء أمراً بالغ الأهمية.