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

R-GCN – الشبكة الالتفافية البيانية العلائقية

Relational Graph Convolutional Network (2018)

R-GCN امتداد لـ GCN للرسوم متعددة العلاقات (مثل رسوم المعرفة)، تستخدم مصفوفة أوزان مختلفة لكل نوع علاقة، وتجمع رسائل كل علاقة على حدة.

العائلة: علائقيةالتجميع: متوسط لكل علاقة ثم جمعالانتباه: لا يوجد

التعريف

R-GCN امتداد لـ GCN للرسوم متعددة العلاقات (مثل رسوم المعرفة)، تستخدم مصفوفة أوزان مختلفة لكل نوع علاقة، وتجمع رسائل كل علاقة على حدة.

الفكرة الأساسية

في رسم المعرفة، «يعمل في» تختلف عن «وُلد في». لو عاملنا كل الروابط بالأوزان نفسها لضاع هذا الفرق. لذلك لكل نوع علاقة تحويل خاص به، وللعقدة تحويل لنفسها.

البنية المعمارية

كل طبقة: W_0 للعقدة نفسها، وW_r لكل علاقة r مطبّعة بعدد جيران تلك العلاقة. لتقليل المعاملات مع كثرة العلاقات تُستخدم التحليلات: Basis Decomposition أو Block-Diagonal.

المعادلات

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)
تحديث العقدة: تحويلها الذاتي زائد مجموع رسائل جيرانها لكل علاقة، كل علاقة بأوزانها ومطبّعة.
W_r^{(l)}=\sum_{b=1}^{B}a_{rb}^{(l)}V_b^{(l)}
التحليل بالأساس: كل مصفوفة علاقة تركيب خطي من B مصفوفات أساس مشتركة، لتقليل عدد المعاملات.
c_{i,r}=\left|\mathcal{N}_i^{r}\right|
ثابت التطبيع: عدد جيران العقدة i عبر العلاقة r.

شرح الرموز

  • R: مجموعة أنواع العلاقات
  • N_i^r: جيران العقدة i عبر العلاقة r
  • W_r: أوزان العلاقة r، وW_0 أوزان الحلقة الذاتية
  • c_{i,r}: ثابت تطبيع (عدد الجيران)
  • V_b: مصفوفات الأساس المشتركة، a_rb: معاملات التركيب
  • B: عدد مصفوفات الأساس

آلية العمل خطوة بخطوة

  1. افصل الروابط حسب نوع العلاقة (والاتجاه إن لزم).
  2. لكل علاقة احسب متوسط رسائل الجيران بعد تحويلها بـ W_r.
  3. أضف تحويل العقدة نفسها W_0 h_i.
  4. اجمع كل ذلك وطبّق التنشيط.
  5. كرر الطبقات، ثم صنّف العقد أو تنبأ بالروابط (مع مفكك مثل DistMult في الورقة).

آلية انتقال الرسائل (Message Passing)

الرسالة W_r h_j وتعتمد على نوع العلاقة؛ التجميع متوسط لكل علاقة ثم جمع عبر العلاقات؛ والتحديث جمع مع W_0 h_i ثم σ.

مثال تطبيقي

في رسم معرفي أكاديمي: ورقة «نُشرت في» مؤتمر، و«كتبها» باحث، و«تقتبس» ورقة أخرى. لتصنيف مجال الورقة، تحمل علاقة «نُشرت في» معلومة قوية، ويتعلم R-GCN وزناً خاصاً بها.

المميزات

  • يحفظ معنى أنواع العلاقات المختلفة
  • مناسب لرسوم المعرفة وتصنيف الكيانات وإكمال الروابط
  • التحليل بالأساس يجعله ممكناً مع علاقات كثيرة

القيود

  • عدد المعاملات يزيد مع عدد العلاقات
  • العلاقات النادرة لها بيانات قليلة للتعلم
  • أبطأ من GCN

حالات الاستخدام

  • تصنيف الكيانات في رسوم المعرفة
  • إكمال رسوم المعرفة (التنبؤ بالروابط)
  • الرسوم غير المتجانسة (أنواع عقد وعلاقات)

التعامل مع العقد الجديدة (Inductive)

الأوزان مرتبطة بأنواع العلاقات لا بالعقد، فتُطبق على كيانات جديدة لها علاقات معروفة.

التعامل مع الشبكات الكبيرة

تُستخدم التحليلات وأخذ العيّنات؛ عدد العلاقات هو التحدي الأكبر عادة.

التعقيد الحسابي

O(|R|·|E_r|·F·F') تقريباً، وتنخفض بالتحليل بالأساس.

قابلية التفسير

يمكن فحص مساهمة كل علاقة على حدة، وهذا تفسير طبيعي في رسوم المعرفة.

مقارنة مع الخوارزميات الأخرى

تعميم مباشر لـ GCN: مع علاقة واحدة يعود تقريباً GCN مع وزن ذاتي منفصل. يختلف عن GAT في أن الأوزان تتبع نوع العلاقة لا محتوى العقد.

نتائج منشورة (كما وردت في المصدر)

البياناتالمقياسالقيمةالإعدادالمصدر
AIFBالدقة (Accuracy)95.83 ± 0.62%تصنيف الكيانات، تقسيمات Ristoski et al. (2016)، متوسط 10 تشغيلات ± الخطأ المعياري — جدول الملحق 7Modeling Relational Data with Graph Convolutional Networks
MUTAG (RDF)الدقة (Accuracy)73.23 ± 0.48%نسخة RDF من MUTAG لتصنيف الكيانات، وليست مجموعة TU لتصنيف الرسوم — جدول الملحق 7Modeling Relational Data with Graph Convolutional Networks
BGSالدقة (Accuracy)83.10 ± 0.80%تصنيف الكيانات، 10 تشغيلات ± الخطأ المعياري — جدول الملحق 7Modeling Relational Data with Graph Convolutional Networks
AMالدقة (Accuracy)89.29 ± 0.35%تصنيف الكيانات، 10 تشغيلات ± الخطأ المعياري — جدول الملحق 7Modeling Relational Data with Graph Convolutional Networks

هذه أرقام الورقة الأصلية بإعدادها المذكور، وليست نتائج المختبر. نتائجك في المتصفح على بيانات صغيرة لا تُقارن بها مباشرة.

تجربة تفاعلية: R-GCN في متصفحك

يُدرَّب R-GCN في المختبر على رسم معرفي أكاديمي مصطنع صغير (أوراق ومؤلفون ومؤتمرات بثلاث علاقات) بأوزان كاملة لكل علاقة (دون تحليل بالأساس لصغر الرسم). البيانات مصطنعة ومعلنة.

جارٍ تحميل المختبر التفاعلي…

تجارب مرتبطة

تدريب فعلي (Actual Model Training)متقدم

R-GCN على رسم معرفي أكاديمي

مختبر تصنيف العقد

مقارنة نموذج يميز أنواع العلاقات (R-GCN) بنموذج يعاملها كلها سواء (GCN) على رسم معرفي صغير.

البيانات: رسم معرفي أكاديمي مصطنع: أوراق ومؤلفون ومؤتمرات بثلاث علاقات

شغّل التجربة

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), Lecture Notes in Computer Science, Springer. DOI: 10.1007/978-3-319-93417-4_38 · arXiv: 1703.06103الورقة الأصلية لـ R-GCN على رسوم المعرفة متعددة العلاقات.
  2. Zitnik, M., Agrawal, M., & Leskovec, J. (2018). Modeling polypharmacy side effects with graph convolutional networks. Bioinformatics. DOI: 10.1093/bioinformatics/bty294Decagon: التنبؤ بالآثار الجانبية لتداخل الأدوية برسم متعدد العلاقات.