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

جراف سيج

GraphSAGE

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

نظرة عامة

الاسمجراف سيج – GraphSAGE
سنة الظهور2017
الباحثونWilliam L. Hamilton، Rex Ying، Jure Leskovec
الجهةStanford University
الورقة الأصليةInductive representation learning on large graphs arXiv
نوع البياناترسوم بيانية
المجالاتأنظمة التوصية، تحليل الشبكات الاجتماعية، تعلم البيانات البيانية
الكلفة الحسابيةتكلفة كل عقدة مستقلة عن حجم الرسم بفضل العينات: $O(\prod_k S_k)$.
حجم البياناترسوم كبيرة جداً (ملايين العقد).

المشكلة التي تحلها

الطرق التحويلية مثل GCN الأصلية وتضمينات العقد (node2vec) تحتاج إعادة التدريب عند ظهور عقد جديدة، ولا تتوسع إلى رسوم ضخمة متغيرة.

الخلفية والتطور

ما قبلها: الشبكة الالتفافية البيانية، DeepWalk/node2vec

  1. 2017

    قُدمت في NeurIPS 2017 وجُرّبت على شبكات الاستشهاد وReddit وتفاعلات البروتين. [مرجع]

الفكرة الأساسية

بدلاً من تعلم تمثيل لكل عقدة، يتعلم النموذج دالة: تأخذ عيّنة ثابتة الحجم من الجيران، تجمع تمثيلاتهم (متوسط، LSTM، أو Max-pooling)، ثم تربط الناتج بتمثيل العقدة نفسها وتطبّق تحويلاً خطياً.

مثال: في منصة توصيات، مستخدم جديد اليوم يحصل على تمثيل مباشرة من العناصر التي تفاعل معها، دون إعادة تدريب النموذج.

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
Neighbor samplingعيّنة ثابتة الحجم من الجيران في كل طبقة
AggregatorMean أو LSTM أو Pooling
Concatenationربط تمثيل العقدة بتجميع جيرانها
Linear + ReLUتحويل مشترك
L2 normalizationتطبيع التمثيل

المعادلات

1. خطوة GraphSAGE

$$h_{\mathcal{N}(v)}^{(k)}=\mathrm{AGG}_k\!\left(\{h_u^{(k-1)},\,u\in\mathcal{N}_S(v)\}\right),\quad h_v^{(k)}=\sigma\!\left(W^{(k)}\left[h_v^{(k-1)}\,\|\,h_{\mathcal{N}(v)}^{(k)}\right]\right)$$

الرموز
$\mathcal{N}_S(v)$عيّنة من جيران v
$\mathrm{AGG}_k$دالة التجميع
$W^{(k)}$وزن بأبعاد $d^{\prime}\times2d$
الأبعاد
$h_v^{(k)}\in\mathbb{R}^{d^{\prime}}$
مثال عددي
$h_v=(1,0)$، ومتوسط الجيران $(0,2)$ ⇒ المتجه المربوط $(1,0,0,2)$ ثم يُضرب بـ $W$.
علاقتها بالمعمارية
فصل تمثيل العقدة عن جيرانها يساعد في الرسوم غير المتجانسة.

آلية العمل خطوة بخطوة

  1. تُؤخذ عيّنة من الجيران لكل طبقة.
  2. تُجمع تمثيلات الجيران.
  3. يُربط الناتج بتمثيل العقدة.
  4. يُطبّق تحويل خطي وتنشيط ثم تطبيع.
  5. تتكرر الطبقات K مرة.

المزايا والقيود

المزايا

  • استقرائي: يعمم إلى عقد ورسوم جديدة.
  • يتوسع إلى رسوم ضخمة بالتدريب على دفعات صغيرة.

القيود

  • أخذ العينات يضيف تبايناً للنتائج.
  • تجميع المتوسط يفقد معلومات عن عدد الجيران.

متى تُستخدم؟ ومتى لا؟

تناسب

  • رسوم كبيرة ومتغيرة مع عقد جديدة باستمرار.
  • أنظمة التوصية.

لا تناسب

  • رسوم صغيرة ثابتة حيث تكفي GCN أبسط.

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)
# GraphSAGE (تجميع بالمتوسط وأخذ عينات من الجيران)
# 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
class SAGELayer(nn.Module):
    def __init__(self, d_in, d_out, S=5):
        super().__init__()
        self.W, self.S = nn.Linear(2 * d_in, d_out), S
    def forward(self, h, nbrs):                       # nbrs: قائمة جيران كل عقدة
        agg = []
        for lst in nbrs:
            if len(lst) == 0: agg.append(torch.zeros(h.shape[1])); continue
            pick = lst[torch.randint(len(lst), (self.S,))] if self.training else lst  # عيّنة أثناء التدريب
            agg.append(h[pick].mean(0))
        out = self.W(torch.cat([h, torch.stack(agg)], 1))    # [h_v ‖ mean(h_u)]
        return F.normalize(out, dim=1)

class GraphSAGE(nn.Module):
    def __init__(self, d_in, d=32, n_classes=3):
        super().__init__()
        self.l1, self.l2, self.out = SAGELayer(d_in, d), SAGELayer(d, d), nn.Linear(d, n_classes)
    def forward(self, X, nbrs):
        h = F.relu(self.l1(X, nbrs))
        return self.out(F.relu(self.l2(h, nbrs)))

# 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)

nbrs = [A[i].nonzero().flatten() for i in range(N)]
model = GraphSAGE(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(60):
    model.train()
    out = model(X, nbrs)                                   # Forward Pass لكل العقد
    loss = loss_fn(out[train_idx], y[train_idx])
    opt.zero_grad(); loss.backward(); opt.step()
    if epoch % 15 == 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, nbrs).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 3.4 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 0.657

عدد المعاملات القابلة للتدريب في المثال: model = 2٬723.

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

جرّب وتعمّق

معماريات مرتبطة

أساسي2017

الشبكة الالتفافية البيانية

Graph Convolutional Network (GCN)

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

الشبكات العصبية البيانية

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

متقدم2020

الشبكات البيانية الزمنية

Temporal Graph Networks (TGN)

إطار لتعلم تمثيلات على رسوم ديناميكية تمثَّل كتيار من الأحداث المؤقتة، باستخدام ذاكرة لكل عقدة تُحدَّث بالأحداث ووحدة تضمين تجمع الجيران الزمنيين.

الشبكات الزمنية والمتسلسلةالشبكات العصبية البيانية

أفكار بحثية

  • دراسة أثر حجم العينة S على تباين التنبؤات وزمن الاستدلال في نظام توصيات حقيقي.

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

اختبر فهمك

  1. مفهوم

    ما معنى أن GraphSAGE "استقرائية" (inductive)؟

  2. مفهوم

    لماذا تأخذ GraphSAGE عيّنة من الجيران؟

  3. رياضي

    ما ناتج ربط $h_v=(1,2)$ مع $h_{N(v)}=(3,4)$؟

المراجع

  1. Hamilton, W. L., Ying, R., & Leskovec, J. (2017). Inductive representation learning on large graphs. Advances in Neural Information Processing Systems (NeurIPS) 30. https://arxiv.org/abs/1706.02216

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

  2. 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