جراف سيج
GraphSAGE
إطار استقرائي يتعلم دوال تجميع لجوار عيّني من الجيران، فيستطيع حساب تمثيلات لعقد جديدة لم ترها الشبكة أثناء التدريب.
نظرة عامة
| الاسم | جراف سيج – GraphSAGE |
|---|---|
| سنة الظهور | 2017 |
| الباحثون | William L. Hamilton، Rex Ying، Jure Leskovec |
| الجهة | Stanford University |
| الورقة الأصلية | Inductive representation learning on large graphs arXiv |
| نوع البيانات | رسوم بيانية |
| المجالات | أنظمة التوصية، تحليل الشبكات الاجتماعية، تعلم البيانات البيانية |
| الكلفة الحسابية | تكلفة كل عقدة مستقلة عن حجم الرسم بفضل العينات: $O(\prod_k S_k)$. |
| حجم البيانات | رسوم 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
- 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.
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
| المكوّن | الوظيفة |
|---|---|
| Neighbor sampling | عيّنة ثابتة الحجم من الجيران في كل طبقة |
| Aggregator | Mean أو LSTM أو Pooling |
| Concatenation | ربط تمثيل العقدة بتجميع جيرانها |
| Linear + ReLU | تحويل مشترك |
| L2 normalization | تطبيع التمثيل |
المعادلات
1. خطوة GraphSAGE
| $\mathcal{N}_S(v)$ | عيّنة من جيران v |
| $\mathrm{AGG}_k$ | دالة التجميع |
| $W^{(k)}$ | وزن بأبعاد $d^{\prime}\times2d$ |
آلية العمل خطوة بخطوة
- تُؤخذ عيّنة من الجيران لكل طبقة.
- تُجمع تمثيلات الجيران.
- يُربط الناتج بتمثيل العقدة.
- يُطبّق تحويل خطي وتنشيط ثم تطبيع.
- 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
| المجال | الاستخدام |
|---|---|
| تعلم البيانات البيانية | تصنيف العقد والروابط والرسوم كاملة. |
| أنظمة التوصية | أنظمة التوصية بتمثيل المستخدمين والعناصر كرسم ثنائي. |
| الحوسبة العلمية | التنبؤ بخصائص الجزيئات في الكيمياء الحاسوبية. |
| اكتشاف الاحتيال | كشف الاحتيال في شبكات المعاملات المالية. |
| تحليل الشبكات الاجتماعية | تحليل 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.
# 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
- مستكشف الشبكات البيانية
- أطلس نماذج الذكاء الاصطناعي قسم آخر في الموقع
- مختبر الشبكات العصبية البيانية قسم آخر في الموقع
معماريات مرتبطة
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.
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 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.
لا توجد نتائج مطابقة للمرشحات.
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
ما معنى أن GraphSAGE "استقرائية" (inductive)؟
لماذا؟ تتعلم دالة تجميع وليس جدول تضمينات ثابتاً.
لماذا تأخذ GraphSAGE عيّنة من الجيران؟
لماذا؟ العقد ذات الدرجة العالية قد تكون لها آلاف الجيران.
ما ناتج ربط $h_v=(1,2)$ مع $h_{N(v)}=(3,4)$؟
لماذا؟ الربط يضع المتجهين متتاليين.
المراجع
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
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
