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

متقدمالشبكات الزمنية والمتسلسلةالشبكات العصبية البيانية

الشبكات البيانية الزمنية (TGN)

Temporal Graph Networks

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

نظرة عامة

الاسمالشبكات البيانية الزمنية – Temporal Graph Networks
سنة الظهور2020
الباحثونEmanuele Rossi، Ben Chamberlain، Fabrizio Frasca، Davide Eynard، Federico Monti، Michael Bronstein
الجهةTwitter
الورقة الأصليةTemporal graph networks for deep learning on dynamic graphs arXiv
نوع البياناترسوم بيانية، تسلسلات وسلاسل زمنية
المجالاتأنظمة التوصية، اكتشاف الاحتيال، تحليل الشبكات الاجتماعية، تعلم البيانات البيانية

المشكلة التي تحلها

كثير من الرسوم تتغير باستمرار (تفاعلات، معاملات، رسائل)، والنماذج الساكنة تتجاهل توقيت الأحداث وترتيبها.

الخلفية والتطور

ما قبلها: جراف سيج، الوحدة المتكررة ذات البوابات، JODIE/DyRep/TGAT

  1. 2020

    قدّم Rossi وزملاؤه TGN كإطار عام يضم نماذج سابقة كحالات خاصة. [مرجع]

الفكرة الأساسية

لكل عقدة متجه ذاكرة $s_i(t)$ يلخص تاريخها. عند حدث بين $i$ و$j$ في الزمن $t$ تُبنى رسالة من ذاكرتيهما والفاصل الزمني وسمات الحدث، وتحدّث الذاكرة بـ GRU. عند التنبؤ يُحسب تضمين العقدة من ذاكرتها وجيرانها الزمنيين بانتباه أو تجميع.

مثال: في منصة دفع، حساب نشط منذ سنوات ثم يجري فجأة عشرات التحويلات في دقائق: الذاكرة والفواصل الزمنية تلتقط هذا التغير.

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
Event streamأحداث $(i,j,t,e_{ij})$
Message functionمن الذاكرتين والزمن والحدث
Time encodingترميز تكراري لـ $\Delta t$
Memory updaterGRU لكل عقدة
Embedding moduleانتباه على الجيران الزمنيين
Decoderالتنبؤ بالروابط المستقبلية

المعادلات

1. تحديث الذاكرة

$$m_i(t)=\mathrm{msg}\!\left(s_i(t^-),\,s_j(t^-),\,\phi(t-t_i^-),\,e_{ij}(t)\right),\qquad s_i(t)=\mathrm{GRU}\!\left(m_i(t),\,s_i(t^-)\right)$$

الرموز
$s_i(t^-)$الذاكرة قبل الحدث
$\phi$ترميز زمني
$t_i^-$زمن آخر حدث للعقدة
الأبعاد
$s_i\in\mathbb{R}^{d}$
مثال عددي
إذا مضت 10 وحدات زمنية على آخر حدث، يدخل $\phi(10)$ في الرسالة فيعرف النموذج طول الانقطاع.
علاقتها بالمعمارية
هي الآلية التي تجعل التمثيل معتمداً على التاريخ.

2. الترميز الزمني

$$\phi(\Delta t)=\cos(\omega\,\Delta t+b)$$

الرموز
$\omega,b$متجهات متعلمة
الأبعاد
$\phi(\Delta t)\in\mathbb{R}^{d_t}$
مثال عددي
مع $\omega=(1,0.1)$ و$b=0$ و$\Delta t=\pi$: $\phi=(-1,\cos 0.314)\approx(-1,0.951)$.
علاقتها بالمعمارية
يحول الفاصل الزمني إلى متجه يناسب الشبكة.

آلية العمل خطوة بخطوة

  1. تُرتب الأحداث زمنياً وتُعالج على دفعات.
  2. تُحسب التضمينات من الذاكرة الحالية للتنبؤ بأحداث الدفعة.
  3. تُحسب الخسارة مقابل عينات سالبة.
  4. تُبنى الرسائل من أحداث الدفعة.
  5. تُحدّث الذاكرة بعد الحساب (لتجنب تسرب المعلومات).

المزايا والقيود

المزايا

  • يلتقط ديناميكية الرسوم وتوقيت الأحداث.
  • إطار عام يتضمن نماذج سابقة.

القيود

  • ترتيب التحديث حساس؛ خطأ فيه يسبب تسرب بيانات من المستقبل.
  • التدريب متسلسل نسبياً وأصعب في التوازي.

متى تُستخدم؟ ومتى لا؟

تناسب

  • التنبؤ بالتفاعلات القادمة.
  • كشف الاحتيال في تيارات المعاملات.

لا تناسب

  • الرسوم الساكنة أو اللقطات القليلة المتباعدة.

التطبيقات

المجالالاستخدام
أنظمة التوصيةالتنبؤ بالتفاعل التالي بين مستخدم وعنصر.
اكتشاف الاحتيالكشف السلوك الشاذ في تيار المعاملات.
تحليل الشبكات الاجتماعيةالتنبؤ بالمتابعات والرسائل.

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)
# Temporal Graph Network (TGN) مبسّط للتنبؤ بالروابط
# 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 TimeEnc(nn.Module):
    def __init__(self, d):
        super().__init__(); self.lin = nn.Linear(1, d)
    def forward(self, dt):
        return torch.cos(self.lin(dt[:, None]))                 # φ(Δt)

class TGN(nn.Module):
    def __init__(self, N, d=16, dt_dim=8):
        super().__init__()
        self.N, self.d = N, d
        self.time = TimeEnc(dt_dim)
        self.msg = nn.Linear(2 * d + dt_dim, d)
        self.gru = nn.GRUCell(d, d)
        self.emb = nn.Embedding(N, d)                           # سمات ثابتة للعقد
        self.dec = nn.Sequential(nn.Linear(2 * d, d), nn.ReLU(), nn.Linear(d, 1))
        self.reset()
    def reset(self):
        self.mem = torch.zeros(self.N, self.d); self.last = torch.zeros(self.N)
    def z(self, nodes):
        return self.mem[nodes] + self.emb(nodes)                # تضمين = ذاكرة + سمة
    def score(self, src, dst):
        return self.dec(torch.cat([self.z(src), self.z(dst)], 1)).squeeze(1)
    def update(self, src, dst, t):
        for a, b in ((src, dst), (dst, src)):
            m = self.msg(torch.cat([self.mem[a], self.mem[b], self.time(t - self.last[a])], 1))
            self.mem = self.mem.clone(); self.mem[a] = self.gru(torch.relu(m), self.mem[a])
            self.last = self.last.clone(); self.last[a] = t

# 3) إعداد البيانات
# تيار أحداث اصطناعي: 40 مستخدماً في 4 مجموعات، والتفاعل غالباً داخل المجموعة
N = 40
group = torch.arange(N) % 4
src = torch.randint(0, N, (1200,))
same = torch.rand(1200) < 0.85
dst = torch.where(same, (src + 4 * torch.randint(1, 10, (1200,))) % N, torch.randint(0, N, (1200,)))
t = torch.arange(1200).float()
split = 1000
model = TGN(N)

# 4) الخسارة: BCE لحدث حقيقي مقابل حدث سالب عشوائي
loss_fn = nn.BCEWithLogitsLoss()
opt = torch.optim.Adam(model.parameters(), lr=1e-2)

# 5) حلقة التدريب: نتنبأ بالدفعة أولاً ثم نحدّث الذاكرة (منع تسرب المستقبل)
for epoch in range(4):
    model.reset(); total = 0.0
    for i in range(0, split, 50):
        s, d_, tt = src[i:i + 50], dst[i:i + 50], t[i:i + 50]
        neg = torch.randint(0, N, (len(s),))
        logits = torch.cat([model.score(s, d_), model.score(s, neg)])
        labels = torch.cat([torch.ones(len(s)), torch.zeros(len(s))])
        loss = loss_fn(logits, labels)
        opt.zero_grad(); loss.backward(); opt.step(); total += loss.item()
        with torch.no_grad():
            model.update(s, d_, tt)
        model.mem, model.last = model.mem.detach(), model.last.detach()
    print(f"epoch {epoch}  loss={total / (split // 50):.4f}")

# 6) التقييم على الأحداث اللاحقة زمنياً
with torch.no_grad():
    s, d_ = src[split:], dst[split:]
    pos, neg = model.score(s, d_), model.score(s, torch.randint(0, N, (len(s),)))
    acc = ((pos > neg).float().mean()).item()
print(f"test accuracy = {acc:.3f}   (نسبة الأحداث الحقيقية ذات الدرجة الأعلى من السالبة)")

# 7) الاستدلال: احتمال تفاعل المستخدم 0 مع 4 (نفس المجموعة) ومع 1 (مجموعة أخرى)
with torch.no_grad():
    print("p(0→4) =", torch.sigmoid(model.score(torch.tensor([0]), torch.tensor([4]))).item(),
          " p(0→1) =", torch.sigmoid(model.score(torch.tensor([0]), torch.tensor([1]))).item())

نُفّذ هذا الكود بتاريخ 2026-11-20 في 2.9 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 0.705   (نسبة الأحداث الحقيقية ذات الدرجة الأعلى من السالبة)

عدد المعاملات القابلة للتدريب في المثال: model = 3٬489.

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

جرّب وتعمّق

معماريات مرتبطة

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

أساسي2014

الوحدة المتكررة ذات البوابات

Gated Recurrent Unit (GRU)

تبسيط لـ LSTM ببوابتين فقط (تحديث وإعادة ضبط) ودون حالة خلية منفصلة، بأداء مقارب في كثير من المهام ومعاملات أقل.

الشبكات الزمنية والمتسلسلة

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

أفكار بحثية

  • تطبيق TGN على كشف الاحتيال في المعاملات مع تقسيم زمني صارم وتقييم بمقياس AUC-PR.

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

اختبر فهمك

  1. مفهوم

    ما وظيفة الذاكرة في TGN؟

  2. مفهوم

    لماذا تُحدّث الذاكرة بعد التنبؤ بالدفعة وليس قبله؟

  3. رياضي

    ما الذي يرمّزه $\phi(\Delta t)$؟

المراجع

  1. Rossi, E., Chamberlain, B., Frasca, F., Eynard, D., Monti, F., & Bronstein, M. (2020). Temporal graph networks for deep learning on dynamic graphs. ICML 2020 Workshop on Graph Representation Learning and Beyond. https://arxiv.org/abs/2006.10637

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

  2. 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

  3. Cho, K., van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder–decoder for statistical machine translation. Proceedings of EMNLP 2014, 1724–1734. https://doi.org/10.3115/v1/D14-1179

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20