إكمال رسومات المعرفة بمواقف قليلة قائم على التعلم الباطني مع تجميع مختار حسب النطاق

لماذا يهم تعليم الآلات بعدد قليل من الأمثلة

تعتمد أنظمة الذكاء الاصطناعي الحديثة بشكل متزايد على "رسومات المعرفة" الضخمة التي تربط الأشخاص والأماكن والأشياء والأفكار في شبكات هائلة من الحقائق. تغذي هذه الرسومات محركات البحث وأنظمة التوصية وأدوات الإجابة على الأسئلة. لكن في العالم الحقيقي، كثير من الروابط داخل هذه الرسومات نادرة أو توثّق بشكل ضعيف أو جديدة تمامًا. من الصعب تعليم آلة على التعرف على هذه الروابط النادرة وإكمالها عندما تتوفر فقط مجموعة محدودة من الأمثلة. تعرض هذه الورقة طريقة تساعد الذكاء الاصطناعي على التعلم من عينات قليلة مع تصفية المعلومات المشتتة، بحيث يمكنها تخمين الحقائق المفقودة في رسم المعرفة بدقة أكبر.

خرائط المعرفة المبنية من حقائق بسيطة

تمثّل رسمة المعرفة المعلومات كجمل ثلاثية بسيطة مثل "الشخص أ يعمل_لدى الشركة ب" أو "المدينة ج تقع_في الدولة د". كل عبارة تربط كيانين عبر علاقة، وتشكل ملايين هذه الروابط معًا خريطة للمعرفة. تقليديًا، تحول التقنيات كل كيان وكل علاقة إلى أرقام في فضاء رياضي، ثم تتعلّم قواعد تتيح للنظام التنبؤ بروابط جديدة. تعمل هذه التقنيات جيدًا عندما تتوفر أمثلة كثيرة لكل علاقة، مثل "وُلد_في" أو "يقع_في"، لكنها تتعثر عندما تظهر العلاقة فقط مرات قليلة في البيانات. في التطبيق العملي، العلاقات النادرة شائعة — على سبيل المثال حالة طبية محددة، مسمى وظيفي متخصص أو شراكة ناشئة — لذا فإن تحسين الأداء على هذه الحالات ذات العينات القليلة أمر حاسم.

التعلّم من الجيران من دون الضياع في الضجيج

إحدى طرق التعامل مع قلة الأمثلة هي النظر إلى "جيران" كل كيان في الرسم — الحقائق الأخرى المرتبطة به مباشرة. على سبيل المثال، عند محاولة التنبؤ بزوج/زوجة شخص ما، يفيد معرفة أفراد عائلته أكثر من معرفة شركائه في العمل. غالبًا ما تعامل الطرق الحالية كل الحقائق القريبة على أنها مفيدة بنفس القدر، ما قد يطغى على الدلائل الحقيقية ذات الصلة بالضجيج. يقترح المؤلفون وحدة اختيار الجوار التي تقوّم أولًا كل جار من حيث أهميته، تحتفظ فقط بالأعلى تقييماً، ثم تستخدم آلية بوّابة مستوحاة من الشبكات العصبية المتكررة لتقرر مقدار المعلومات الجار التي ينبغي فعلًا تحديث تمثيل الكيان بها. هذه العملية ذات الخطوتين تصفي الجيران غير المرتبطين وتوازن ديناميكيًا ما يجب تذكره وما ينبغي تجاهله، وهو ما يفيد بشكل خاص عندما تتوفر أمثلة تدريبية قليلة.

تعليم النظام كيف يتعلّم علاقات جديدة

بعيدًا عن تنقية معلومات الجوار، تتعامل الطريقة أيضًا مع كيفية تمثيل النظام للعلاقات ذاتها عندما يرى فقط عددًا قليلاً من الروابط المثال. بدلًا من مجرد أخذ متوسط هذه الأمثلة، يبني المؤلفون "متعلمًا باطنيًا للعلاقة". يعامل جميع أزواج الأمثلة لعلاقة معينة كسلسلة قصيرة ويمررها عبر وحدة متكررة ذات بوابات لالتقاط الأنماط عبر الأمثلة. تتيح آلية انتباه سياقي للنموذج التركيز أكثر على الأزواج الأكثر معلوماتية، بينما تعمل شبكة تغذية أمامية صغيرة على تحسين الإشارة المجمعة. تساعد الوصلات الباقية والتطبيع في استقرار التعلم. النتيجة هي تمثيل مضغوط وواعي بالمهمة للعلاقة يلتقط الفروق الدقيقة في كيفية تفاعل الكيانات، مثل الاتجاه أو القوة أو نوع الاتصال.

التعلّم على التكيّف بسرعة عبر التحسين الباطني

الجزء الأخير من النهج هو متعلم تضمينات يستخدم أفكارًا من التعلّم الباطني — المعروف غالبًا باسم "التعلّم كي يتعلّم". أثناء التدريب، يرى النظام العديد من العلاقات المختلفة كمهام صغيرة منفصلة. لكل مهمة، يكيّف معلماته لفترة وجيزة باستخدام الأمثلة القليلة المتاحة فقط، ثم يقيّم مدى أدائه على استفسارات جديدة لتلك العلاقة. تقوم التدرجات من هذه الخطوة الثانية بتحديث مجموعة مشتركة من المعلمات بحيث، مع مرور الوقت، يصبح النموذج أفضل في التكيف بسرعة مع علاقات جديدة لم يرها من قبل. يبني الأسلوب على تقنية موجودة تضع الكيانات على أسطح هندسية مخصصة للعلاقات، ويحدّث كلًا من تمثيل العلاقة وهذه الأسطح أثناء التعلّم الباطني، مما يزيد من حدة توقعاته.

ماذا تعني النتائج لأدوات الذكاء الاصطناعي اليومية

يختبر المؤلفون طريقتهم على مجموعتي معيار مستخدمتين على نطاق واسع، NELL‑One و Wiki‑One، ويقارنونها مع العديد من أنظمة الحالة‑الفنية لإكمال رسومات المعرفة بعدد قليل من العينات. عبر عدة مقاييس تقييم، يظهر نهجهم أداءً أفضل بشكل متسق، لا سيما عندما يتوفر خمس روابط مثال لكل علاقة. تكون المكاسب أكثر وضوحًا على مجموعة بيانات حيث تكون معلومات الجيران أغنى، مما يؤكد قيمة اختيار الجيران بعناية والتعلّم الباطني للعلاقة. لتطبيقات الحياة اليومية، يعني ذلك أن أنظمة الذكاء الاصطناعي قد تملأ قطع المعرفة المفقودة بشكل أكثر موثوقية — مثل العلاقات النادرة، المفاهيم المتخصصة أو الحقائق الناشئة — حتى عندما يتوفر عدد قليل من الأمثلة، مما يجعل أدوات مثل البحث والتوصية والإجابة على الأسئلة أكثر دقة ومتانة.

الاستشهاد: Yang, B., Peng, M., Liu, S. et al. Meta learning based few shot knowledge graph completion with domain selected aggregation. Sci Rep 16, 12333 (2026). https://doi.org/10.1038/s41598-026-42198-4

الكلمات المفتاحية: رسومات المعرفة, التعلّم بعدد قليل من العينات, التعلّم الباطني, الشبكات العصبية الرسومية, تنبؤ الارتباطات