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

متوسطالشبكات العصبية البيانية

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

الاسمالشبكة الالتفافية البيانية العلائقية – Relational Graph Convolutional Network
سنة الظهور2018
الباحثونMichael Schlichtkrull، Thomas N. Kipf، Peter Bloem، Rianne van den Berg، Ivan Titov، Max Welling
الورقة الأصليةModeling relational data with graph convolutional networks DOI arXiv
نوع البياناترسوم بيانية
المجالاتتعلم 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

  1. 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).

مثال: في رسم معرفي عن الجامعات، علاقة "يدرّس-في" وعلاقة "تخرّج-من" تنقلان معلومات مختلفة عن الشخص، فتحصل كل منهما على تحويل مختلف.

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
Relation-specific weights$W_r$ لكل علاقة
Self-loop weight$W_0$
Normalization$1/c_{i,r}$ مثل عدد الجيران عبر r
Basis decomposition$W_r=\sum_b a_{rb}V_b$
Decoderمصنّف كيانات أو DistMult للروابط

المعادلات

1. تحديث R-GCN

$$h_i^{(l+1)}=\sigma\!\left(W_0^{(l)}h_i^{(l)}+\sum_{r\in\mathcal{R}}\sum_{j\in\mathcal{N}_i^{r}}\frac{1}{c_{i,r}}W_r^{(l)}h_j^{(l)}\right)$$

الرموز
$\mathcal{R}$مجموعة العلاقات
$\mathcal{N}_i^r$جيران i عبر العلاقة r
$c_{i,r}$ثابت تطبيع
الأبعاد
$W_r\in\mathbb{R}^{d^{\prime}\times d}$
مثال عددي
عقدة لها جاران عبر r1 وجار عبر r2: تُحسب رسالتان بـ $W_{r_1}$ (مقسومتان على 2) ورسالة بـ $W_{r_2}$.
علاقتها بالمعمارية
يحافظ على دلالة نوع العلاقة.

2. تحليل الأساس

$$W_r^{(l)}=\sum_{b=1}^{B}a_{rb}^{(l)}V_b^{(l)}$$

الرموز
$V_b$مصفوفات أساس مشتركة
$a_{rb}$معاملات خاصة بالعلاقة
الأبعاد
المعاملات: $Bd^{\prime}d+|\mathcal{R}|B$ بدل $|\mathcal{R}|d^{\prime}d$
مثال عددي
100 علاقة، $d=d^{\prime}=64$، $B=4$: نحو $16.8$ ألف معامل بدل $409.6$ ألف.
علاقتها بالمعمارية
يجعل النموذج قابلاً للتطبيق على رسوم بمئات العلاقات.

آلية العمل خطوة بخطوة

  1. تُصنّف الحواف حسب نوع العلاقة.
  2. تُحسب رسائل كل علاقة بوزنها.
  3. تُطبّع وتُجمع مع الحلقة الذاتية.
  4. يُطبّق التنشيط.
  5. 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

المجالالاستخدام
معالجة اللغة الطبيعيةاستكمال الرسوم المعرفية وربط الكيانات.
تعلم البيانات البيانيةتصنيف الكيانات في رسوم متعددة العلاقات.
تحليل الصور الطبيةرسوم 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.

Python (PyTorch)
# 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

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

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.

الشبكات العصبية البيانيةالمعماريات المتخصصةمعماريات المحولات

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

  1. مفهوم

    ما الذي يميز R-GCN عن GCN؟

  2. مفهوم

    لماذا يُستخدم تحليل الأساس (basis decomposition)؟

  3. مفهوم

    في أي نوع من البيانات تُستخدم R-GCN عادة؟

المراجع

  1. 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

    DOIarXivتحقق آلي عبر Crossref – 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