الانتقال إلى المحتوى
العودة إلى نتائج البحث

تحليل الرسم البياني للمعرفة

قدّمه
Ehrlinger, L. & Wöß, W.; Google (popularized)
السنة
2012–2016
النوع
Graph-based knowledge representation and analysis
العائلة
Network science

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

تحليل الرسم البياني للمعرفة هو إطار لتمثيل وتخزين والاستدلال على المعرفة الواقعية المنظمة كرسم بياني موجه للكيانات والعلاقات المصنفة. يتم التعبير عن الكيانات (العقد) والعلاقات (الحواف) كـ ثلاثيات الموضوع-المسند-المفعول، مما يتيح الاستعلام الغني والاستدلال وتكامل مصادر البيانات غير المتجانسة عبر مجالات مثل الأبحاث الطبية الحيوية، والتجارة الإلكترونية، والأدبيات العلمية.

الفكرة الحدسية وراء الطريقة

فكر في الرسم البياني للمعرفة كموسوعة ضخمة قابلة للقراءة آليًا حيث يتم تخزين كل حقيقة في شكل ثلاثي منظم: 'أينشتاين — ولد في — أولم'. على عكس الجدول المسطح، يسمح لك هيكل الرسم البياني هذا بالتنقل عبر سلاسل المعنى — العثور على جميع المؤسسات التي درّس فيها حائزو جائزة نوبل الذين درسوا في ألمانيا لاحقًا — من خلال اجتياز الرسم البياني البسيط بدلاً من عمليات الربط المعقدة في SQL. ثم تطرح المهام التحليلية أسئلة مثل: ما هي الكيانات الأكثر اتصالاً، وما هي مجتمعات المفاهيم التي تتجمع معًا، وما هي الحقائق التي من المحتمل أن تكون مفقودة، وما هي العلاقات الجديدة التي يمكن استنتاجها من العلاقات الحالية؟

التاريخ

تم تعميم مصطلح 'الرسم البياني للمعرفة' بواسطة جوجل في عام 2012 عندما أطلقت Knowledge Graph الخاص بها لتعزيز نتائج البحث بالحقائق المنظمة. تم اقتراح تعريف أكاديمي رسمي من قبل Ehrlinger و Wöß في عام 2016. يعتمد هذا المجال على أعمال سابقة في تقنيات الويب الدلالي (RDF، OWL) من أوائل العقد الأول من القرن الحادي والعشرين وقواعد المعرفة الرمزية للذكاء الاصطناعي مثل Cyc (1984). منذ عام 2017، تقدمت الشبكات العصبية الرسومية والتضمينات المستندة إلى المحولات بشكل كبير في إكمال الرسم البياني للمعرفة والاستدلال.

متى تُستخدم

استخدم تحليل الرسم البياني للمعرفة عندما تتضمن مشكلة بحثك كيانات غير متجانسة ومترابطة من مصادر متعددة وتحتاج إلى الاستعلام عبر سلاسل العلاقات، أو استنتاج الحقائق المفقودة، أو دمج أنطولوجيات المجال — على سبيل المثال، رسم خرائط لشبكات التأليف المشترك والاستشهاد، وشبكات تفاعل الأدوية-الجينات-الأمراض، أو رسوم بيانية للمنتجات-العملاء-السمات. يتفوق عندما تصل البيانات في شكل ثلاثيات علائقية أو يمكن التعبير عنها بهذه الطريقة بشكل طبيعي. لا تستخدمه عندما تكون بياناتك جدولًا مسطحًا بسيطًا بدون هيكل كيان-علاقة ذي معنى، عندما تحتاج إلى استدلال إحصائي شفاف مع قيم p وفترات ثقة (استخدم الانحدار أو ERGM بدلاً من ذلك)، أو عندما يكون الرسم البياني صغيرًا بما يكفي بحيث يكفي استعلام قاعدة بيانات علائقية.

الحدود والاعتبارات

  • يتطلب الإنشاء جهدًا كبيرًا في هندسة البيانات: استخراج الكيانات، وحل الإحالة، وتصميم الأنطولوجيا ليست أمورًا بسيطة.
  • تعتمد جودة الرسم البياني على اكتمال وصحة بيانات المصدر؛ الثلاثيات المتفرقة أو المشوشة تقلل من جودة الاستدلال.
  • نماذج التنبؤ بالروابط المستندة إلى التضمين هي صناديق سوداء؛ يتطلب شرح سبب التنبؤ بثلاثي معين أدوات تفسير إضافية.
  • لا يوجد إطار إحصائي مدمج — على عكس ERGM أو الانحدار، لا توجد قيم p للحواف أو المسارات الفردية.
  • تكاليف الصيانة: مع تغير الحقائق الأساسية، يجب تحديث الرسم البياني لتجنب المعرفة القديمة أو المتناقضة.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • يدمج البيانات غير المتجانسة من مصادر متعددة ضمن مخطط دلالي موحد.
  • يتيح الاستعلام والاستدلال متعدد القفزات الذي لا تستطيع الجداول المسطحة وقواعد البيانات العلائقية دعمه بسهولة.
  • يدعم التنبؤ بالروابط وإكمال المعرفة عبر تضمينات الرسم البياني، مما يكشف عن الحقائق الضمنية.
  • متوافق مع مقاييس علم الشبكات القياسية (المركزية، اكتشاف المجتمعات) للتحليل الهيكلي.
  • قابل للتوسع بدرجة عالية: تحتوي الرسوم البيانية واسعة النطاق مثل Wikidata أو Google Knowledge Graph على مليارات الثلاثيات.
  • يسهل التشغيل البيني من خلال المعايير المفتوحة (RDF، OWL، SPARQL).

التطبيقات

  • تحليل الشبكات الببليومترية والاستشهادات: رسم خرائط لجبهات البحث، والمؤلفين الرئيسيين، والمجموعات المفاهيمية في مجال علمي.
  • الرسوم البيانية للمعرفة الطبية الحيوية: دمج تفاعلات الأدوية-الجينات-الأمراض لإعادة توظيف الأدوية والتنبؤ بالآثار الضارة.
  • الإجابة على الأسئلة واسترجاع المعلومات: ربط استجابات نماذج اللغة الكبيرة بالمعرفة الواقعية المنظمة.
  • توصية التجارة الإلكترونية: ربط المنتجات والسمات وتفضيلات المستخدم وسجلات الشراء لتوصيات قابلة للتفسير.
  • تكامل بيانات المؤسسات: توحيد صوامع البيانات عبر الأقسام من خلال مخطط دلالي مشترك.
  • أبحاث العلوم الاجتماعية: تمثيل الجهات الفاعلة في السياسة، والنصوص التشريعية، والانتماءات المؤسسية ككيانات مترابطة للتحليل العلائقي.

كيف يعمل

كيف يعمل

1

تبدأ العملية بتحديد الكيانات — الأشخاص، الأماكن، المفاهيم، المنشورات، المواد الكيميائية — من النص المصدر، أو قواعد البيانات، أو الأنطولوجيات. يصبح كل كيان فريد عقدة في الرسم البياني، ويتم تعيين معرف موحد (URI أو معرف داخلي) لحل المرادفات والمتغيرات السطحية (على سبيل المثال، يتم دمج 'WHO' و 'World Health Organization' في عقدة واحدة).

2

يتم إنشاء حواف موجهة ومصنفة بين الكيانات لتشفير العلاقات الواقعية (على سبيل المثال، مؤلف لـ، يقع في، يتفاعل مع). الهيكل الرسمي الثلاثي G = (E, R, T)، حيث T هي مجموعة من الثلاثيات (الموضوع، المسند، المفعول) مع سحب الموضوعات والمفعولات من مجموعة الكيانات E والمسندات من مجموعة العلاقات R، يدعم كلاً من تطبيقات RDF ورسوم بيانية الخصائص.

الصيغة
G = (E, R, T), \; T \subseteq E \times R \times E
3

طبقة مخطط — أنطولوجيا أو تصنيف — تقيد أنواع الكيانات وأنواع العلاقات المسموح بها، مما يتيح الاستعلام المتسق عبر المصادر. تكتشف خوارزميات المحاذاة وتدمج المفاهيم المتداخلة أو المتكافئة من مخططات مختلفة، وهو أمر ضروري عند دمج قواعد المعرفة المتعددة (على سبيل المثال، DBpedia + Wikidata).

4

يتم تعيين الكيانات والعلاقات إلى تمثيلات متجهية مستمرة (تضمينات) باستخدام طرق مثل TransE أو RotatE أو ComplEx. تلتقط هذه التضمينات التقارب الهيكلي والدلالي، مما يتيح التنبؤ بالروابط (استنتاج الثلاثيات المفقودة)، وتمييز الكيانات، ومهام التعلم الآلي اللاحقة باستخدام النماذج الرقمية القياسية.

5

تسترجع استعلامات SPARQL أو Cypher حقائق متعددة القفزات، بينما تستنتج القواعد المستندة إلى القواعد أو المستندة إلى التضمين ثلاثيات ضمنية (على سبيل المثال، إذا كان A يدرّس B و B يدرّس C، فإن A يوجه C بشكل غير مباشر). ثم يتم تطبيق خوارزميات المركزية، واكتشاف المجتمعات، وتحليل المسارات من علم الشبكات الكلاسيكي على الرسم البياني الناتج لتحديد الكيانات الرئيسية والمجموعات وتدفقات المعلومات.

الأخطاء الشائعة

  • معاملة الرسم البياني للمعرفة كحقيقة مطلقة دون مراعاة عدم الاكتمال — جميع الرسوم البيانية للمعرفة في العالم الحقيقي لديها حواف مفقودة.
  • اختيار نموذج تضمين الرسم البياني (على سبيل المثال، TransE) دون التحقق من صحته على مجموعة اختبار للتنبؤ بالروابط، مما يؤدي إلى استدلال مفرط الثقة.
  • دمج الكيانات من مصادر مختلفة دون حل إحالة مناسب، مما يؤدي إلى إنشاء عقد مكررة أو مدمجة.
  • الخلط بين طبقة المخطط (الأنطولوجيا) وطبقة المثيلات (الثلاثيات الفعلية)، مما يؤدي إلى انتهاكات الأنواع والاستعلامات غير الصالحة.
  • تطبيق خوارزميات اكتشاف المجتمعات المصممة للرسوم البيانية غير الموجهة على رسم بياني معرفي موجه دون مراعاة اتجاه الحواف.

الأسئلة الشائعة

ما هو الفرق بين الرسم البياني للمعرفة والشبكة القياسية أو الشبكة الاجتماعية؟

عادةً ما تحتوي شبكة الرسم البياني القياسية على حواف غير مسماة أو ذات نوع موحد (على سبيل المثال، 'متصل بـ'). يستخدم الرسم البياني للمعرفة علاقات مصنفة وذات معنى دلالي (على سبيل المثال، 'مؤلف لـ'، 'يقع في') ويستند إلى أنطولوجيا، مما يتيح الاستدلال المنطقي. يركز تحليل الشبكات الاجتماعية على الخصائص الهيكلية للاتصالات بين الجهات الفاعلة، بينما يؤكد تحليل الرسم البياني للمعرفة على المحتوى الدلالي للعلاقات والكيانات متعددة الأنواع.

هل أحتاج إلى استخدام RDF و SPARQL، أم يمكنني استخدام قاعدة بيانات رسوم بيانية للخصائص مثل Neo4j؟

كلاهما صالح. RDF/SPARQL هو معيار W3C وهو الأفضل للتوافقية مع البيانات المفتوحة والاستدلال المستند إلى الأنطولوجيا. رسوم بيانية الخصائص (Neo4j/Cypher) أكثر سهولة للمطورين وغالبًا ما تكون أسرع لاستعلامات الاجتياز على الرسوم البيانية متوسطة الحجم. تنطبق طرق التحليل — المركزية، اكتشاف المجتمعات، التنبؤ بالروابط — على كلا التمثيليين بالتساوي.

كيف أقوم بتقييم جودة تنبؤات الروابط التي تم إجراؤها بواسطة نموذج تضمين الرسم البياني؟

البروتوكول القياسي هو الاحتفاظ بعينة عشوائية من الثلاثيات المعروفة كمجموعة اختبار، وإزالتها من الرسم البياني، وتدريب نموذج التضمين على الثلاثيات المتبقية، ثم ترتيب المرشحين لكل ثلاثي تم الاحتفاظ به والإبلاغ عن متوسط الرتب المتبادلة (MRR) و Hits@k (k = 1، 3، 10).

هل يمكن دمج تحليل الرسم البياني للمعرفة مع معالجة اللغة الطبيعية؟

نعم، وهذا أصبح شائعًا بشكل متزايد. تقوم خطوط أنابيب معالجة اللغة الطبيعية بإجراء التعرف على الكيانات المسماة واستخراج العلاقات لملء الرسم البياني من النص غير المهيكل. على العكس من ذلك، توفر الرسوم البيانية للمعرفة سياقًا منظمًا يحسن مهام معالجة اللغة الطبيعية مثل تمييز الكيانات والإجابة على الأسئلة المستندة إلى الحقائق.

هل تحليل الرسم البياني للمعرفة مناسب لمجموعات البيانات الصغيرة؟

يمكن بناء الرسم البياني للمعرفة بأي حجم، ولكن نماذج تضمين الرسم البياني للتنبؤ بالروابط تتطلب تغطية كافية للتواجد المشترك للكيانات والعلاقات لتعلم تمثيلات ذات معنى — عادةً آلاف الثلاثيات. بالنسبة لمجموعات البيانات الصغيرة جدًا، يكون الاستدلال الرمزي المستند إلى القواعد أو مقاييس الشبكات الأبسط (الدرجة، البينية) أكثر موثوقية من التضمينات المتعلمة.

طرق ذات صلة

المصادر

  1. Ehrlinger, L. & Wöß, W. (2016). Towards a Definition of Knowledge Graphs. In Proceedings of the SEMANTICS Posters and Demos Track (SEMANTiCS 2016). CEUR Workshop Proceedings, vol. 1695.

    افتح مرجع المنشور
    تم النسخ.
  2. Hogan, A., Blomqvist, E., Cochez, M., d'Amato, C., Melo, G. de, Gutierrez, C., Kirrane, S., Gayo, J. E. L., Navigli, R., Neumaier, S., Ngomo, A.-C. N., Polleres, A., Rashid, S. M., Rula, A., Schmelzeisen, L., Sequeda, J., Staab, S., & Zimmermann, A. (2021). Knowledge Graphs. ACM Computing Surveys, 54(4), 71.

    افتح مرجع DOI
    تم النسخ.