مقاله حاضر، به بررسی و توسعه روش‌های نوین تعبیه گراف دانش (Knowledge Graph Embedding) با استفاده از هندسه هذلولوی مختلط و تبدیل فوریه سریع (FFT) می‌پردازد. در دنیای امروزی که حجم داده‌ها به طور فزاینده‌ای در حال افزایش است، گراف‌های دانش نقش مهمی در سازماندهی و استخراج اطلاعات ایفا می‌کنند. تعبیه گراف دانش، به معنای نمایش گره‌ها و روابط موجود در گراف دانش در یک فضای برداری است، به گونه‌ای که روابط معنایی بین آن‌ها حفظ شود. این بازنمایی برداری، امکان استفاده از الگوریتم‌های یادگیری ماشین را برای انجام وظایفی نظیر تکمیل گراف دانش (Knowledge Graph Completion) فراهم می‌سازد.

این مقاله توسط Huiru Xiao، Xin Liu، Yangqiu Song، Ginny Y. Wong و Simon See به نگارش درآمده است. نویسندگان، متخصصین حوزه یادگیری ماشین و هوش مصنوعی هستند و تحقیقاتشان بر روی بهینه‌سازی و توسعه روش‌های تعبیه گراف دانش متمرکز است. زمینه اصلی تحقیق، استفاده از ساختارهای هندسی پیچیده، به ویژه هندسه هذلولوی، برای بهبود عملکرد مدل‌های تعبیه گراف دانش در وظایف مختلف است. این تحقیق با هدف رفع محدودیت‌های روش‌های مبتنی بر هندسه اقلیدسی و هذلولوی سنتی در نمایش ساختارهای سلسله مراتبی و روابط چندگانه در گراف‌های دانش انجام شده است.

انتخاب فضای هندسی مناسب برای تعبیه گراف دانش، تاثیر بسزایی بر عملکرد وظایف تکمیل گراف دانش دارد. هندسه هذلولوی به دلیل ساختار درختی‌اش، قابلیت بالایی در نمایش الگوهای سلسله مراتبی دارد و محدودیت‌های مدل‌های تعبیه اقلیدسی را برطرف می‌کند. تحقیقات اخیر در زمینه هندسه هذلولوی مختلط، نشان داده است که این فضا، امکان نمایش دقیق‌تری از ساختارهای سلسله مراتبی متنوع را فراهم می‌آورد. با این حال، عملکرد مدل‌های تعبیه گراف دانش هذلولوی در نمایش روابط غیرمتعدی (Non-transitive relations) همچنان نامطلوب است و مدل‌های هذلولوی مختلط، روابط چندگانه (Multi-relations) را به خوبی مدیریت نمی‌کنند. این مقاله به دنبال بهره‌گیری از ظرفیت‌های هندسه هذلولوی مختلط در تعبیه گراف دانش چند رابطه‌ای است. برای اعمال تبدیلات هندسی متناسب با روابط مختلف و استفاده از سازوکار توجه (Attention Mechanism) در فضای هذلولوی مختلط، پیشنهاد می‌شود از تبدیل فوریه سریع (FFT) به عنوان روشی برای تبدیل بین فضای هذلولوی حقیقی و مختلط استفاده شود. ایجاد تبدیلات مبتنی بر توجه در فضای مختلط، چالش‌برانگیز است، در حالی که روش پیشنهادی مبتنی بر تبدیل فوریه، راه حلی ساده و کارآمد ارائه می‌دهد. نتایج تجربی نشان می‌دهد که روش‌های پیشنهادی، عملکرد بهتری نسبت به روش‌های پایه، از جمله مدل‌های تعبیه اقلیدسی و هذلولوی حقیقی، دارند.

روش‌شناسی تحقیق در این مقاله، شامل ترکیبی از مبانی نظری هندسه هذلولوی مختلط، تبدیل فوریه سریع و یادگیری ماشین است. گام‌های اصلی روش‌شناسی به شرح زیر است:

• تعریف مسئله: شناسایی محدودیت‌های روش‌های موجود در نمایش روابط پیچیده و چندگانه در گراف‌های دانش.
• انتخاب هندسه هذلولوی مختلط: انتخاب این فضا به عنوان مبنایی برای تعبیه گراف دانش به دلیل قابلیت‌های آن در نمایش ساختارهای سلسله مراتبی و الگوهای پیچیده.
• استفاده از تبدیل فوریه سریع (FFT): استفاده از FFT به عنوان ابزاری برای تبدیل بین فضای هذلولوی حقیقی و مختلط، به منظور تسهیل اعمال تبدیلات هندسی و استفاده از سازوکار توجه. FFT امکان انتقال اطلاعات از یک حوزه (زمان یا مکان) به حوزه فرکانس را فراهم می‌کند، که در اینجا برای تبدیل و دستکاری بازنمایی‌ها در فضای مختلط استفاده می‌شود.
• طراحی مدل: طراحی یک مدل تعبیه گراف دانش که از هندسه هذلولوی مختلط و FFT استفاده می‌کند. این مدل شامل بخش‌هایی برای اعمال تبدیلات مبتنی بر روابط مختلف و یک سازوکار توجه برای وزن‌دهی به اهمیت روابط مختلف در پیش‌بینی پیوندها است.
• پیاده‌سازی و آموزش مدل: پیاده‌سازی مدل پیشنهادی با استفاده از زبان‌های برنامه‌نویسی و کتابخانه‌های یادگیری ماشین مناسب. آموزش مدل با استفاده از مجموعه‌داده‌های استاندارد گراف دانش.
• ارزیابی مدل: ارزیابی عملکرد مدل با استفاده از معیارهای استاندارد، مانند دقت (Accuracy)، میانگین رتبه متقابل (Mean Reciprocal Rank – MRR) و Hit Ratio. مقایسه عملکرد مدل پیشنهادی با روش‌های پایه و مدل‌های موجود.

به عنوان مثال، برای نمایش یک رابطه پیچیده مانند “دانشجو <-> استاد <-> درس”، که یک رابطه سلسله مراتبی و همچنین یک رابطه چندگانه است، می‌توان از هندسه هذلولوی مختلط برای نمایش ساختار سلسله مراتبی (استاد راهنمای دانشجو) و از FFT برای اعمال تبدیلات متناسب با نوع رابطه (تدریس استاد، شرکت دانشجو در درس) استفاده کرد. این رویکرد امکان نمایش دقیق‌تری از این نوع روابط را فراهم می‌کند.

یافته‌های کلیدی این تحقیق به شرح زیر است:

• بهبود عملکرد در وظایف تکمیل گراف دانش: مدل پیشنهادی مبتنی بر هندسه هذلولوی مختلط و FFT، عملکرد بهتری نسبت به مدل‌های پایه (اقلیدسی و هذلولوی حقیقی) در وظایف تکمیل گراف دانش ارائه می‌دهد.
• قابلیت نمایش بهتر روابط پیچیده: مدل پیشنهادی قادر است روابط پیچیده و چندگانه را با دقت بیشتری نسبت به روش‌های موجود نمایش دهد.
• کارآمدی استفاده از FFT: استفاده از FFT به عنوان ابزاری برای تبدیل بین فضای هذلولوی حقیقی و مختلط، راه حلی کارآمد و ساده برای اعمال تبدیلات هندسی و استفاده از سازوکار توجه ارائه می‌دهد.
• اثر مثبت سازوکار توجه: استفاده از سازوکار توجه در فضای هذلولوی مختلط، منجر به بهبود عملکرد مدل در پیش‌بینی پیوندها می‌شود.

برای مثال، در مجموعه‌داده‌های شامل روابط خانوادگی، مدل پیشنهادی توانست با دقت بیشتری روابط “پدر <-> فرزند” و “همسر <-> همسر” را پیش‌بینی کند. این نشان می‌دهد که مدل پیشنهادی در نمایش روابط سلسله مراتبی و روابط متقارن عملکرد بهتری دارد.

دستاوردها و کاربردهای این تحقیق عبارتند از:

• ارائه یک روش نوین برای تعبیه گراف دانش: این تحقیق، یک روش جدید و کارآمد برای تعبیه گراف دانش با استفاده از هندسه هذلولوی مختلط و FFT ارائه می‌دهد.
• بهبود عملکرد در وظایف مرتبط با گراف دانش: این روش می‌تواند در وظایف مختلف مرتبط با گراف دانش، از جمله تکمیل گراف دانش، کشف دانش (Knowledge Discovery) و استدلال (Reasoning) مورد استفاده قرار گیرد.
• کاربرد در حوزه‌های مختلف: گراف‌های دانش در حوزه‌های مختلفی مانند موتورهای جستجو، سیستم‌های توصیه‌گر (Recommender Systems)، پردازش زبان طبیعی (Natural Language Processing – NLP) و بیوانفورماتیک کاربرد دارند. بهبود عملکرد مدل‌های تعبیه گراف دانش، می‌تواند منجر به بهبود عملکرد این سیستم‌ها شود.
• ایجاد مبنایی برای تحقیقات بیشتر: این تحقیق، می‌تواند به عنوان مبنایی برای تحقیقات بیشتر در زمینه استفاده از ساختارهای هندسی پیچیده در یادگیری ماشین و هوش مصنوعی مورد استفاده قرار گیرد.

به عنوان مثال، در یک سیستم توصیه‌گر فیلم، می‌توان از گراف دانش برای نمایش روابط بین فیلم‌ها، بازیگران، کارگردانان و ژانرها استفاده کرد. با استفاده از مدل پیشنهادی، می‌توان روابط بین فیلم‌ها را با دقت بیشتری نمایش داد و توصیه‌های بهتری به کاربران ارائه کرد.

این مقاله، با ارائه یک روش نوین برای تعبیه گراف دانش با استفاده از هندسه هذلولوی مختلط و FFT، گامی مهم در جهت بهبود عملکرد مدل‌های تعبیه گراف دانش برداشته است. نتایج تجربی نشان می‌دهد که روش پیشنهادی، عملکرد بهتری نسبت به روش‌های موجود در نمایش روابط پیچیده و چندگانه دارد. این تحقیق، می‌تواند در حوزه‌های مختلفی که از گراف‌های دانش استفاده می‌کنند، کاربرد داشته باشد و مبنایی برای تحقیقات بیشتر در این زمینه فراهم کند. با توجه به حجم روزافزون داده‌ها و پیچیدگی روابط بین آن‌ها، توسعه روش‌های کارآمد و دقیق برای تعبیه گراف دانش، اهمیت ویژه‌ای دارد و این مقاله، سهم قابل توجهی در این راستا ایفا می‌کند. به طور کلی، استفاده از مفاهیم پیشرفته ریاضی مانند هندسه هذلولوی و تبدیل فوریه، افق‌های جدیدی را در زمینه یادگیری ماشین و هوش مصنوعی می‌گشاید و این مقاله، نمونه‌ای موفق از این رویکرد است.