Skip to content
بازگشت به نتایج جست‌وجو

تحلیل گراف دانش (Knowledge Graph Analysis)

معرفی‌شده توسط
Ehrlinger, L. & Wöß, W.; Google (popularized)
سال
2012–2016
نوع
Graph-based knowledge representation and analysis
خانواده
Network science

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل گراف دانش چارچوبی برای نمایش، ذخیره‌سازی و استدلال بر روی دانش واقعی ساختاریافته به‌صورت یک گراف جهت‌دار از موجودیت‌ها و روابط تایپ‌شده است. موجودیت‌ها (گره‌ها) و روابط (یال‌ها) به‌صورت سه‌تایی‌های موضوع–گزاره–مفعول بیان می‌شوند که امکان پرس‌وجوی غنی، استنتاج و ادغام منابع داده ناهمگن را در حوزه‌هایی مانند تحقیقات زیست‌پزشکی، تجارت الکترونیک و ادبیات علمی فراهم می‌کند.

شهود پشت روش

گراف دانش را مانند یک دایرةالمعارف عظیم و قابل‌فهم برای ماشین در نظر بگیرید که در آن هر واقعیت به‌صورت یک سه‌تایی ساختاریافته ذخیره می‌شود: «اینشتین — متولد — اولم». برخلاف یک جدول مسطح، این ساختار گراف به شما امکان می‌دهد تا زنجیره‌های معنایی را پیمایش کنید — مثلاً تمام مؤسساتی را که نوبلیست‌هایی که در آلمان تحصیل کرده‌اند بعداً در آن‌ها تدریس کرده‌اند پیدا کنید — از طریق پیمایش ساده گراف به‌جای پیوست‌های پیچیده SQL. وظایف تحلیلی سپس می‌پرسند: کدام موجودیت‌ها بیشترین اتصال را دارند، کدام جوامع مفهومی در کنار هم قرار می‌گیرند، کدام حقایق احتمالاً گم شده‌اند و کدام روابط جدید را می‌توان از روابط موجود استنتاج کرد؟

تاریخ

اصطلاح «گراف دانش» در سال ۲۰۱۲ توسط گوگل هنگام راه‌اندازی Knowledge Graph برای بهبود نتایج جستجو با حقایق ساختاریافته رایج شد. یک تعریف رسمی آکادمیک توسط Ehrlinger و Wöß در سال ۲۰۱۶ پیشنهاد شد. این حوزه بر کارهای قبلی در فناوری‌های وب معنایی (RDF، OWL) از اوایل دهه ۲۰۰۰ و پایگاه‌های دانش هوش مصنوعی نمادین مانند Cyc (۱۹۸۴) بنا شده است. از سال ۲۰۱۷، شبکه‌های عصبی گراف و تعبیه‌های مبتنی بر ترانسفورمر به‌طور قابل توجهی تکمیل و استدلال گراف دانش را پیشرفت داده‌اند.

چه زمانی استفاده شود

هنگامی که مسئله تحقیقاتی شما شامل موجودیت‌های ناهمگن و به‌هم‌پیوسته از منابع متعدد است و نیاز به پرس‌وجو در زنجیره‌های رابطه، استنتاج حقایق گم‌شده یا ادغام هستی‌شناسی‌های دامنه دارید — مثلاً نگاشت شبکه‌های هم‌تألیفی و استنادی، شبکه‌های تعامل دارو–ژن–بیماری، یا گراف‌های محصول–مشتری–ویژگی — از تحلیل گراف دانش استفاده کنید. این روش زمانی عالی است که داده‌ها به‌صورت سه‌تایی‌های رابطه‌ای وارد می‌شوند یا می‌توانند به‌طور طبیعی به این شکل بیان شوند. زمانی که داده‌های شما یک جدول مسطح ساده بدون ساختار موجودیت-رابطه معنادار است، زمانی که به استنتاج آماری شفاف با مقادیر p و فواصل اطمینان نیاز دارید (به‌جای آن از رگرسیون یا ERGM استفاده کنید)، یا زمانی که گراف به‌اندازه‌ای کوچک است که یک پرس‌وجوی پایگاه داده رابطه‌ای کافی است، از آن استفاده نکنید.

محدودیت‌ها و ملاحظات

  • ساخت آن نیازمند تلاش قابل توجه مهندسی داده است: استخراج موجودیت، حل هم‌مرجع و طراحی هستی‌شناسی، امری غیربدیهی است.
  • کیفیت گراف به کامل بودن و صحت داده‌های منبع بستگی دارد؛ سه‌تایی‌های پراکنده یا نویزی کیفیت استنتاج را کاهش می‌دهند.
  • مدل‌های پیش‌بینی پیوند مبتنی بر تعبیه جعبه سیاه هستند؛ توضیح اینکه چرا یک سه‌تایی پیش‌بینی شده است نیازمند ابزارهای تفسیرپذیری اضافی است.
  • عدم وجود چارچوب آماری داخلی برای معناداری — برخلاف ERGM یا رگرسیون، مقادیر p برای یال‌ها یا مسیرهای منفرد وجود ندارد.
  • هزینه نگهداری: با تغییر حقایق زیربنایی، گراف باید به‌روز شود تا از دانش قدیمی یا متناقض جلوگیری شود.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • داده‌های ناهمگن را از منابع متعدد تحت یک طرحواره معنایی یکپارچه ادغام می‌کند.
  • امکان پرس‌وجوی چند-پرشی و استدلال را فراهم می‌کند که جداول مسطح و پایگاه‌های داده رابطه‌ای به‌راحتی نمی‌توانند پشتیبانی کنند.
  • از پیش‌بینی پیوند و تکمیل دانش از طریق تعبیه‌های گراف پشتیبانی می‌کند و حقایق ضمنی را آشکار می‌سازد.
  • سازگار با معیارهای استاندارد علم شبکه (مرکزیت، تشخیص جامعه) برای تحلیل ساختاری.
  • مقیاس‌پذیری بالا: گراف‌های در مقیاس بزرگ مانند Wikidata یا Google Knowledge Graph حاوی میلیاردها سه‌تایی هستند.
  • از طریق استانداردهای باز (RDF، OWL، SPARQL) قابلیت همکاری را تسهیل می‌کند.

کاربردها

  • تحلیل کتاب‌سنجی و شبکه استنادی: نگاشت جبهه‌های تحقیقاتی، نویسندگان کلیدی و خوشه‌های مفهومی در یک حوزه علمی.
  • گراف‌های دانش زیست‌پزشکی: ادغام تعاملات دارو–ژن–بیماری برای بازسازی دارو و پیش‌بینی عوارض جانبی.
  • پرسش و پاسخ و بازیابی اطلاعات: پایه‌ریزی پاسخ‌های مدل زبان بزرگ بر دانش واقعی ساختاریافته.
  • توصیه در تجارت الکترونیک: پیوند محصولات، ویژگی‌ها، ترجیحات کاربر و تاریخچه خرید برای توصیه‌های قابل توضیح.
  • ادغام داده‌های سازمانی: یکپارچه‌سازی سیلوهای داده در سراسر بخش‌ها از طریق یک طرحواره معنایی مشترک.
  • تحقیقات علوم اجتماعی: نمایش بازیگران سیاست، متون قانونی و وابستگی‌های سازمانی به‌عنوان موجودیت‌های به‌هم‌پیوسته برای تحلیل رابطه‌ای.

چگونه کار می‌کند

چگونه کار می‌کند

1

این فرآیند با شناسایی موجودیت‌ها — افراد، مکان‌ها، مفاهیم، انتشارات، مواد شیمیایی — از متن منبع، پایگاه‌های داده یا هستی‌شناسی‌ها آغاز می‌شود. هر موجودیت منحصربه‌فرد به یک گره در گراف تبدیل می‌شود و یک شناسه متعارف (URI یا شناسه داخلی) به آن اختصاص داده می‌شود تا مترادف‌ها و انواع نمایش سطحی (مانند «WHO» و «سازمان بهداشت جهانی» به یک گره ادغام می‌شوند) را حل کند.

2

یال‌های جهت‌دار و تایپ‌شده بین موجودیت‌ها برای کدگذاری روابط واقعی (مانند authorOf، locatedIn، interactsWith) ایجاد می‌شوند. ساختار سه‌تایی رسمی G = (E, R, T)، که در آن T مجموعه‌ای از سه‌تایی‌های (موضوع، گزاره، مفعول) است که موضوعات و مفعول‌ها از مجموعه موجودیت E و گزاره‌ها از مجموعه رابطه R گرفته شده‌اند، هم پیاده‌سازی‌های RDF و هم گراف ویژگی را پشتیبانی می‌کند.

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

یک لایه طرحواره — یک هستی‌شناسی یا طبقه‌بندی — انواع مجاز موجودیت و انواع رابطه را محدود می‌کند و امکان پرس‌وجوی سازگار در سراسر منابع را فراهم می‌آورد. الگوریتم‌های هم‌ترازی مفاهیم هم‌پوشان یا معادل را از طرحواره‌های مختلف تشخیص داده و ادغام می‌کنند، که هنگام ادغام پایگاه‌های دانش متعدد (مانند DBpedia + Wikidata) ضروری است.

4

موجودیت‌ها و روابط با استفاده از روش‌هایی مانند TransE، RotatE یا ComplEx به نمایش‌های برداری پیوسته (تعبیه‌ها) نگاشت می‌شوند. این تعبیه‌ها مجاورت ساختاری و معنایی را ثبت می‌کنند و امکان پیش‌بینی پیوند (استنتاج سه‌تایی‌های گم‌شده)، ابهام‌زدایی موجودیت و وظایف یادگیری ماشین پایین‌دستی را با استفاده از مدل‌های عددی استاندارد فراهم می‌آورند.

5

پرس‌وجوهای SPARQL یا Cypher حقایق چند-پرشی را بازیابی می‌کنند، در حالی که استدلال مبتنی بر قاعده یا مبتنی بر تعبیه، سه‌تایی‌های ضمنی را استنتاج می‌کند (مثلاً اگر A به B تدریس کند و B به C تدریس کند، آنگاه A به‌طور غیرمستقیم به C راهنمایی می‌کند). سپس الگوریتم‌های مرکزیت، تشخیص جامعه و تحلیل مسیر از علم شبکه کلاسیک بر روی گراف حاصل اعمال می‌شوند تا موجودیت‌های کلیدی، خوشه‌ها و جریان‌های اطلاعاتی را آشکار کنند.

دام‌های رایج

  • رفتار با گراف دانش به‌عنوان حقیقت مطلق بدون در نظر گرفتن ناقص بودن — همه گراف‌های دانش دنیای واقعی دارای یال‌های گم‌شده هستند.
  • انتخاب یک مدل تعبیه گراف (مانند TransE) بدون اعتبارسنجی بر روی یک معیار پیش‌بینی پیوند نگه‌داشته‌شده، منجر به استنتاج بیش از حد مطمئن می‌شود.
  • ادغام موجودیت‌ها از منابع مختلف بدون حل هم‌مرجع مناسب، ایجاد گره‌های تکراری یا آمیخته.
  • اشتباه گرفتن لایه طرحواره (هستی‌شناسی) با لایه نمونه (سه‌تایی‌های واقعی)، منجر به نقض نوع و پرس‌وجوهای نامعتبر می‌شود.
  • اعمال الگوریتم‌های تشخیص جامعه طراحی‌شده برای گراف‌های بدون جهت بر روی یک گراف دانش جهت‌دار بدون در نظر گرفتن جهت‌دهی یال.

پرسش‌های متداول

تفاوت گراف دانش با یک شبکه استاندارد یا شبکه اجتماعی چیست؟

یک گراف شبکه استاندارد معمولاً دارای یال‌های بدون برچسب یا با نوع یکسان است (مانند «متصل به»). یک گراف دانش از روابط تایپ‌شده و معنادار معنایی استفاده می‌کند (مانند authorOf، locatedIn) و بر اساس یک هستی‌شناسی بنا شده است که امکان استنتاج منطقی را فراهم می‌کند. تحلیل شبکه اجتماعی بر خواص ساختاری اتصالات بین بازیگران تمرکز دارد، در حالی که تحلیل گراف دانش بر محتوای معنایی روابط و موجودیت‌های چند-نوع تأکید می‌کند.

آیا باید از RDF و SPARQL استفاده کنم، یا می‌توانم از یک پایگاه داده گراف ویژگی مانند Neo4j استفاده کنم؟

هر دو معتبر هستند. RDF/SPARQL استاندارد W3C است و برای قابلیت همکاری داده‌های باز و استدلال مبتنی بر هستی‌شناسی بهترین است. گراف‌های ویژگی (Neo4j/Cypher) برای توسعه‌دهندگان دوستانه‌تر هستند و اغلب برای پرس‌وجوهای پیمایشی بر روی گراف‌های با اندازه متوسط سریع‌ترند. روش‌های تحلیلی — مرکزیت، تشخیص جامعه، پیش‌بینی پیوند — به‌طور یکسان برای هر دو نمایش کاربرد دارند.

چگونه کیفیت پیش‌بینی‌های پیوند انجام‌شده توسط یک مدل تعبیه گراف را ارزیابی کنم؟

پروتکل استاندارد این است که نمونه تصادفی از سه‌تایی‌های شناخته‌شده را به‌عنوان مجموعه آزمون نگه دارید، آن‌ها را از گراف حذف کنید، مدل تعبیه را بر روی سه‌تایی‌های باقی‌مانده آموزش دهید، سپس نامزدها را برای هر سه‌تایی نگه‌داشته‌شده رتبه‌بندی کرده و میانگین رتبه معکوس (MRR) و Hits@k (k = ۱، ۳، ۱۰) را گزارش دهید.

آیا تحلیل گراف دانش می‌تواند با پردازش زبان طبیعی ترکیب شود؟

بله، و این امر به‌طور فزاینده‌ای رایج است. خطوط لوله NLP تشخیص موجودیت نام‌گذاری شده و استخراج رابطه را برای پر کردن گراف از متن بدون ساختار انجام می‌دهند. برعکس، گراف‌های دانش زمینه ساختاریافته‌ای را فراهم می‌کنند که وظایف NLP مانند ابهام‌زدایی موجودیت و پرسش و پاسخ مبتنی بر را بهبود می‌بخشد.

آیا تحلیل گراف دانش برای مجموعه داده‌های کوچک مناسب است؟

یک گراف دانش می‌تواند در هر مقیاسی ساخته شود، اما مدل‌های تعبیه گراف برای پیش‌بینی پیوند به پوشش کافی از هم‌وقوعی‌های موجودیت-رابطه برای یادگیری نمایش‌های معنادار نیاز دارند — معمولاً هزاران سه‌تایی. برای مجموعه داده‌های بسیار کوچک، استدلال مبتنی بر قاعده نمادین یا معیارهای شبکه‌ای ساده‌تر (درجه، بینابینی) قابل‌اعتمادتر از تعبیه‌های آموخته‌شده هستند.

روش‌های مرتبط

منابع

  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.

    باز کردن مرجع انتشار
    کپی شد.
  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.

    باز کردن مرجع DOI
    کپی شد.