تعتبر الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) من أهم الاتجاهات في مجال الذكاء الاصطناعي. تهدف هذه الأنظمة إلى تعلم تمثيلات دقيقة في فضاء ذي أبعاد منخفضة لمهام مختلفة، مع الحفاظ على البنية الطوبولوجية للبيانات. ومع انتشار استخدامها في السنوات الأخيرة، تم تقديم آلية الانتباه (Attention Mechanism) لتعزيز أداء الشبكات العصبية الرسومية من خلال اختيار الميزات المهمة تلقائيًا وتصفية المعلومات الضوضائية.

في الفترة الأخيرة، لاحظنا نقصًا في الاستعراض المنهجي حول GNNs المعتمدة على آلية الانتباه. لهذا السبب، يهدف هذا البحث إلى تقديم دراسة شاملة عن أحدث التطورات في هذا المجال. نبدأ بتقديم تصنيف جديد على مستويين يعتمد على التاريخ التطوري والمعماري لـGNNs المعتمدة على الانتباه. نقدم في المستوى العلوي ثلاث مراحل تطورية، تشمل الشبكات العصبية الرسومية المعتمدة على الانتباه التكراري، الشبكات العصبية الرسومية المعتمدة على الانتباه، والمتحولات الرسومية.

وفي المستوى السفلي، نركز على المعماريات النموذجية لكل مرحلة. نقوم بمراجعة هذه الأساليب المعتمدة على الانتباه بالتفصيل ونلخص المزايا والعيوب لكل نموذج. كما نقدم جدول خصائص النماذج لمقارنة شاملة.

أخيرًا، نشارك أفكارنا حول بعض القضايا المفتوحة والاتجاهات المستقبلية لـGNNs المعتمدة على الانتباه. نأمل أن تقدم هذه الدراسة مرجعًا حديثًا للباحثين في تطبيقات هذه التقنيات المتطورة. لمواكبة التطور السريع، نعتزم أيضا مشاركة أحدث الأبحاث كمصدر مفتوح يمكن الوصول إليه من خلال [رابط GitHub].