كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

أساسيالشبكات العصبية البيانية

الشبكة الالتفافية البيانية (GCN)

Graph Convolutional Network

طبقة بيانية بسيطة تأخذ متوسطاً مطبّعاً لتمثيلات العقدة وجيرانها ثم تطبق تحويلاً خطياً مشتركاً، وهي تقريب من الدرجة الأولى للالتفاف الطيفي.

نظرة عامة

الاسمالشبكة الالتفافية البيانية – Graph Convolutional Network
سنة الظهور2017
الباحثونThomas N. Kipf، Max Welling
الجهةUniversity of Amsterdam
الورقة الأصليةSemi-supervised classification with graph convolutional networks arXiv
نوع البياناترسوم بيانية
المجالاتأنظمة التوصية، الحوسبة العلمية، تحليل الشبكات الاجتماعية، تعلم البيانات البيانية
الكلفة الحسابية$O(|E|d)$ لكل طبقة مع مصفوفات متناثرة.
حجم البياناترسم واحد بآلاف إلى ملايين العقد.

المشكلة التي تحلها

الالتفاف الطيفي على الرسوم كان مكلفاً (يتطلب تحليل القيم الذاتية للابلاسيان). احتاج تصنيف العقد نصف الإشرافي إلى طبقة فعّالة تتوسع إلى رسوم كبيرة.

الخلفية والتطور

ما قبلها: الشبكة العصبية البيانية، Spectral CNNs، ChebNet

  1. 2017

    قدّم Kipf وWelling طبقة GCN لتصنيف العقد نصف الإشرافي في ICLR 2017. [مرجع]

الفكرة الأساسية

تُضاف حلقة ذاتية لكل عقدة ($\tilde A=A+I$) ثم تُطبّع مصفوفة التجاور تطبيعاً متماثلاً بالدرجات، فيصبح التمثيل الجديد متوسطاً موزوناً للعقدة وجيرانها، يتبعه تحويل خطي ثم تنشيط.

مثال: في شبكة استشهادات علمية، ورقة لا نعرف موضوعها ترتبط بأوراق عن "التعلم المعزز"؛ بعد طبقتي GCN يقترب تمثيلها من تلك الأوراق فيتنبأ النموذج بموضوعها.

المخطط التفاعلي

مخطط توضيحي مبسّط بأبعاد مثال صغير، وليس رسماً مطابقاً لكل تفاصيل التنفيذ الأصلي. اضغط أي طبقة لترى وظيفتها وأبعادها والعملية الرياضية.

اختر طبقة من المخطط.

المكونات

المكوّنالوظيفة
Inputسمات $X\in\mathbb{R}^{N\times d}$ ومصفوفة تجاور $A$
Self-loops$\tilde A=A+I$
Normalization$\tilde D^{-1/2}\tilde A\tilde D^{-1/2}$
Linear transformوزن مشترك $W$
ActivationReLU
OutputSoftmax لكل عقدة

المعادلات

1. قاعدة انتشار GCN

$$H^{(l+1)}=\sigma\!\left(\tilde D^{-\frac12}\tilde A\tilde D^{-\frac12}H^{(l)}W^{(l)}\right),\quad \tilde A=A+I_N,\;\tilde D_{ii}=\sum_j\tilde A_{ij}$$

الرموز
$H^{(l)}$تمثيلات العقد في الطبقة l
$W^{(l)}$وزن مشترك
$\tilde D$مصفوفة الدرجات بعد إضافة الحلقات
الأبعاد
$H^{(l)}\in\mathbb{R}^{N\times d_l}$، $W^{(l)}\in\mathbb{R}^{d_l\times d_{l+1}}$
مثال عددي
عقدتان متصلتان: $\tilde A=\begin{pmatrix}1&1\\1&1\end{pmatrix}$، $\tilde D=2I$، فالتطبيع يعطي $\begin{pmatrix}0.5&0.5\\0.5&0.5\end{pmatrix}$ أي متوسط العقدتين.
علاقتها بالمعمارية
تحدد كيف تُدمج سمات الجيران في كل طبقة.

2. صيغة العقدة الواحدة

$$h_v^{(l+1)}=\sigma\!\left(\sum_{u\in\mathcal{N}(v)\cup\{v\}}\frac{1}{\sqrt{\tilde d_u\tilde d_v}}W^{(l)\top}h_u^{(l)}\right)$$

الرموز
$\tilde d_v$درجة العقدة بعد الحلقة الذاتية
الأبعاد
$h_v\in\mathbb{R}^{d_{l+1}}$
مثال عددي
عقدة درجتها 2 وجارها درجته 4: معامل الوزن $1/\sqrt{8}\approx0.354$.
علاقتها بالمعمارية
توضح أن الجيران ذوي الدرجة العالية يحصلون على وزن أقل.

آلية العمل خطوة بخطوة

  1. تُضاف الحلقات الذاتية وتُحسب مصفوفة التطبيع مرة واحدة.
  2. تُضرب السمات بالوزن ثم بمصفوفة التجاور المطبّعة.
  3. يُطبّق ReLU وDropout.
  4. تعطي الطبقة الثانية درجات الفئات.
  5. تُحسب الخسارة على العقد المعنونة فقط.

المزايا والقيود

المزايا

  • بسيطة وسريعة وقليلة المعاملات.
  • خط أساس قوي لتصنيف العقد.

القيود

  • أوزان الجيران ثابتة (حسب الدرجة) وليست متعلمة.
  • تحويلية (transductive) في صيغتها الأصلية.
  • أداؤها ينخفض في الرسوم غير المتجانسة (heterophily).

متى تُستخدم؟ ومتى لا؟

تناسب

  • تصنيف العقد في رسوم متجانسة (الجيران يتشابهون).

لا تناسب

  • رسوم يكون فيها الجيران عادة من فئات مختلفة؛ جرّب GAT أو نماذج heterophily.

التطبيقات

المجالالاستخدام
تعلم البيانات البيانيةتصنيف العقد والروابط والرسوم كاملة.
أنظمة التوصيةأنظمة التوصية بتمثيل المستخدمين والعناصر كرسم ثنائي.
الحوسبة العلميةالتنبؤ بخصائص الجزيئات في الكيمياء الحاسوبية.
اكتشاف الاحتيالكشف الاحتيال في شبكات المعاملات المالية.
تحليل الشبكات الاجتماعيةتحليل الشبكات الاجتماعية واكتشاف المجتمعات.

كود PyTorch

كود تعليمي مبسّط يعمل على بيانات اصطناعية صغيرة، يغطي: الاستيراد، وتعريف النموذج، والبيانات، والتمرير الأمامي، والخسارة، والمُحسِّن، وحلقة التدريب، والتقييم، والاستدلال. ليس التنفيذ الكامل للبحث الأصلي.

Python (PyTorch)
# Graph Convolutional Network (GCN)
# مثال تعليمي مبسّط بـ PyTorch (ليس التنفيذ الأصلي الكامل للبحث): بيانات اصطناعية صغيرة،
# يعمل على المعالج المركزي (CPU) خلال ثوانٍ. الأرقام التي يطبعها تخص هذا المثال فقط.
# 1) استيراد المكتبات
import torch
import torch.nn as nn
import torch.nn.functional as F

torch.manual_seed(0)

# 2) تعريف النموذج
def normalize(A):
    A_hat = A + torch.eye(A.shape[0])                       # Ã = A + I
    d = A_hat.sum(1)
    D_inv_sqrt = torch.diag(d.pow(-0.5))
    return D_inv_sqrt @ A_hat @ D_inv_sqrt                  # D̃^{-1/2} Ã D̃^{-1/2}

class GCN(nn.Module):
    def __init__(self, d_in, d_hidden=16, n_classes=3, p=0.5):
        super().__init__()
        self.W1, self.W2, self.p = nn.Linear(d_in, d_hidden), nn.Linear(d_hidden, n_classes), p
    def forward(self, X, A_norm):
        H = F.relu(A_norm @ self.W1(X))
        H = F.dropout(H, self.p, self.training)
        return A_norm @ self.W2(H)

# 3) إعداد البيانات
# رسم بياني اصطناعي من نموذج الكتل العشوائية (SBM): 3 مجتمعات، روابط داخلية أكثر من الخارجية
N, C, D = 150, 3, 8
y = torch.arange(N) % C
P = torch.where(y[:, None] == y[None, :], 0.12, 0.01)
A = (torch.rand(N, N) < P).float().triu(1); A = A + A.T          # مصفوفة تجاور متماثلة دون حلقات
X = torch.randn(N, D) + 0.6 * F.one_hot(y, D).float()             # سمات ضعيفة الإشارة؛ البنية تساعد
idx = torch.randperm(N); train_idx, test_idx = idx[:45], idx[45:] # 30% فقط معنونة (نصف إشرافي)

A_norm = normalize(A)
model = GCN(D)

# 4) دالة الخسارة والمحسّن
loss_fn = nn.CrossEntropyLoss()
opt = torch.optim.Adam(model.parameters(), lr=1e-2, weight_decay=5e-4)

# 5) حلقة التدريب (full-batch: الرسم كله في كل خطوة، والخسارة على العقد المعنونة فقط)
for epoch in range(120):
    model.train()
    out = model(X, A_norm)                                   # Forward Pass لكل العقد
    loss = loss_fn(out[train_idx], y[train_idx])
    opt.zero_grad(); loss.backward(); opt.step()
    if epoch % 30 == 0:
        print(f"epoch {epoch:3d}  loss={loss.item():.4f}")

# 6) التقييم على العقد غير المعنونة
model.eval()
with torch.no_grad():
    pred = model(X, A_norm).argmax(1)
print(f"test accuracy = {(pred[test_idx] == y[test_idx]).float().mean().item():.3f}")

# 7) الاستدلال: فئة العقدة 0
print("node 0 predicted community:", pred[0].item(), " true:", y[0].item())

نُفّذ هذا الكود بتاريخ 2026-11-20 في 3.1 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 0.952

عدد المعاملات القابلة للتدريب في المثال: model = 195.

هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.

جرّب وتعمّق

معماريات مرتبطة

متوسط2018

شبكة الانتباه البيانية

Graph Attention Network (GAT)

تستبدل الأوزان الثابتة في GCN بمعاملات انتباه متعلمة لكل حافة، فتحدد كل عقدة مقدار أهمية كل جار، مع رؤوس انتباه متعددة.

الشبكات العصبية البيانية

أساسي2017

جراف سيج

GraphSAGE

إطار استقرائي يتعلم دوال تجميع لجوار عيّني من الجيران، فيستطيع حساب تمثيلات لعقد جديدة لم ترها الشبكة أثناء التدريب.

الشبكات العصبية البيانية

متوسط2019

شبكة تماثل الرسوم

Graph Isomorphism Network (GIN)

GNN مصممة لتبلغ القدرة التمييزية لاختبار Weisfeiler–Lehman (1-WL)، باستخدام تجميع بالمجموع وMLP في التحديث.

الشبكات العصبية البيانية

أساسي2009

الشبكة العصبية البيانية

Graph Neural Network (GNN)

عائلة نماذج تتعلم تمثيلاً لكل عقدة بتبادل الرسائل مع جيرانها عبر الحواف، فتدمج سمات العقدة مع بنية الرسم.

الشبكات العصبية البيانية

أفكار بحثية

  • تقييم GCN مقابل GAT وGraphSAGE على رسوم غير متجانسة عربية (مثلاً شبكات تغريدات) بتقسيمات متعددة.

اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.

اختبر فهمك

  1. رياضي

    لماذا تُضاف الحلقات الذاتية $A+I$ في GCN؟

  2. رياضي

    في رسم من عقدتين متصلتين، ما مصفوفة التطبيع $\tilde D^{-1/2}\tilde A\tilde D^{-1/2}$؟

  3. مقارنة

    ما القيد الرئيسي لـ GCN مقارنة بـ GAT؟

المراجع

  1. Kipf, T. N., & Welling, M. (2017). Semi-supervised classification with graph convolutional networks. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1609.02907

    arXivتحقق آلي عبر OpenAlex/arXiv – 2026-11-20

  2. Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., & Yu, P. S. (2021). A comprehensive survey on graph neural networks. IEEE Transactions on Neural Networks and Learning Systems, 32(1), 4–24. https://doi.org/10.1109/TNNLS.2020.2978386

    DOIتحقق آلي عبر Crossref – 2026-11-20