الشبكة الالتفافية البيانية العلائقية (R-GCN)
Relational Graph Convolutional Network
امتداد لـ GCN للرسوم متعددة العلاقات (مثل الرسوم المعرفية) يستخدم وزناً مختلفاً لكل نوع علاقة، مع تحليل الأوزان لتقليل المعاملات.
نظرة عامة
| الاسم | الشبكة الالتفافية البيانية العلائقية – Relational Graph Convolutional Network |
|---|---|
| سنة الظهور | 2018 |
| الباحثون | Michael Schlichtkrull، Thomas N. Kipf، Peter Bloem، Rianne van den Berg، Ivan Titov، Max Welling |
| الورقة الأصلية | Modeling relational data with graph convolutional networks DOI arXiv |
| نوع البيانات | رسوم بيانية |
| المجالات | تعلم البيانات البيانية، معالجة اللغة الطبيعية |
المشكلة التي تحلها
الرسوم المعرفية (Knowledge Graphs) فيها أنواع حواف مختلفة (يعمل-في، وُلد-في...)، ومعاملتها كحواف متماثلة يضيّع المعنى.
الخلفية والتطور
ما قبلها: الشبكة الالتفافية البيانية
- 2018
قُدمت في ESWC 2018 لتصنيف الكيانات والتنبؤ بالروابط في الرسوم المعرفية. [مرجع]
الفكرة الأساسية
لكل علاقة $r$ مصفوفة وزن $W_r$، وتجمع العقدة رسائل جيرانها عبر كل علاقة على حدة مع تطبيع. لتجنب انفجار المعاملات مع كثرة العلاقات، تُكتب $W_r$ كتركيب خطي من عدد صغير من مصفوفات أساس (basis decomposition).
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 |
|---|---|
| Relation-specific weights | $W_r$ لكل علاقة |
| Self-loop weight | $W_0$ |
| Normalization | $1/c_{i,r}$ مثل عدد الجيران عبر r |
| Basis decomposition | $W_r=\sum_b a_{rb}V_b$ |
| Decoder | مصنّف كيانات أو DistMult للروابط |
المعادلات
1. تحديث R-GCN
| $\mathcal{R}$ | مجموعة العلاقات |
| $\mathcal{N}_i^r$ | جيران i عبر العلاقة r |
| $c_{i,r}$ | ثابت تطبيع |
2. تحليل الأساس
| $V_b$ | مصفوفات أساس مشتركة |
| $a_{rb}$ | معاملات خاصة بالعلاقة |
آلية العمل خطوة بخطوة
- تُصنّف الحواف حسب نوع العلاقة.
- تُحسب رسائل كل علاقة بوزنها.
- تُطبّع وتُجمع مع الحلقة الذاتية.
- يُطبّق التنشيط.
- يُستخدم الخرج لتصنيف الكيانات أو للتنبؤ بالروابط.
المزايا والقيود
المزايا
- يمثل أنواع العلاقات صراحة.
- تحليل الأساس يقلل المعاملات.
القيود
- ما زال يعاني من التنعيم المفرط.
- العلاقات النادرة قد لا تُتعلم جيداً.
متى تُستخدم؟ ومتى لا؟
تناسب
- الرسوم المعرفية والرسوم غير المتجانسة (heterogeneous).
لا تناسب
- الرسوم بنوع حواف واحد، حيث يكفي GCN.
التطبيقات
| المجال | الاستخدام |
|---|---|
| معالجة اللغة الطبيعية | استكمال الرسوم المعرفية وربط الكيانات. |
| تعلم البيانات البيانية | تصنيف الكيانات في رسوم متعددة العلاقات. |
| تحليل الصور الطبية | رسوم معرفية طبية حيوية (أدوية، أمراض، جينات). |
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.
# Relational GCN (R-GCN) مع تحليل الأساس
# 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 RGCNLayer(nn.Module):
def __init__(self, d_in, d_out, n_rel, n_basis=2):
super().__init__()
self.V = nn.Parameter(torch.randn(n_basis, d_in, d_out) * 0.1) # أساس مشترك
self.a = nn.Parameter(torch.ones(n_rel, n_basis)) # معاملات العلاقات
self.W0 = nn.Linear(d_in, d_out)
def forward(self, h, A_rel): # A_rel: R×N×N
W = torch.einsum('rb,bio->rio', self.a, self.V) # W_r = Σ a_rb V_b
out = self.W0(h)
for r in range(A_rel.shape[0]):
deg = A_rel[r].sum(1, keepdim=True).clamp(min=1) # c_{i,r}
out = out + (A_rel[r] @ (h @ W[r])) / deg
return out
class RGCN(nn.Module):
def __init__(self, d_in, n_rel, d=16, n_classes=3):
super().__init__()
self.l1, self.l2 = RGCNLayer(d_in, d, n_rel), RGCNLayer(d, n_classes, n_rel)
def forward(self, X, A_rel):
return self.l2(F.relu(self.l1(X, A_rel)), A_rel)
# 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)
# علاقتان (مثل "يتابع" و"يراسل"): نوع كل حافة عشوائي، فلا تسرب لتسميات العقد في نوع العلاقة
rtype = (torch.rand(N, N) < 0.5).float().triu(1); rtype = rtype + rtype.T
A_rel = torch.stack([A * rtype, A * (1 - rtype)])
model = RGCN(D, n_rel=2)
# 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(100):
model.train()
out = model(X, A_rel) # Forward Pass لكل العقد
loss = loss_fn(out[train_idx], y[train_idx])
opt.zero_grad(); loss.backward(); opt.step()
if epoch % 25 == 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_rel).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 = 0.895
عدد المعاملات القابلة للتدريب في المثال: model = 555.
هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.
جرّب وتعمّق
- مستكشف الشبكات البيانية
- 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.
محوّل الرسوم البيانية
Graph Transformer (GT)
تطبيق الانتباه الذاتي على عقد الرسم مع ترميزات موضعية أو بنيوية (مثل متجهات لابلاسيان الذاتية) كي يعرف النموذج بنية الرسم، فيتجاوز قيود الجوار المحلي.
لا توجد نتائج مطابقة للمرشحات.
أفكار بحثية
- تطبيق R-GCN على رسم معرفي طبي عربي لاكتشاف تداخلات الأدوية.
اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.
اختبر فهمك
ما الذي يميز R-GCN عن GCN؟
لماذا؟ الرسائل عبر كل علاقة تُحوّل بمصفوفتها الخاصة.
لماذا يُستخدم تحليل الأساس (basis decomposition)؟
لماذا؟ المعاملات تصبح مشتركة عبر مصفوفات أساس قليلة.
في أي نوع من البيانات تُستخدم R-GCN عادة؟
لماذا؟ صُممت لتصنيف الكيانات والتنبؤ بالروابط في الرسوم المعرفية.
المراجع
Schlichtkrull, M., Kipf, T. N., Bloem, P., van den Berg, R., Titov, I., & Welling, M. (2018). Modeling relational data with graph convolutional networks. The Semantic Web (ESWC 2018), LNCS 10843, 593–607. https://doi.org/10.1007/978-3-319-93417-4_38
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
