في عصر الذكاء الاصطناعي، تمثل نماذج اللغات الضخمة (LLMs) إنجازاً لا يُستهان به، حيث أثبتت قدرتها على فهم الرسوم البيانية المعتمدة على النصوص (Text-Attributed Graphs). ومع ذلك، ظل الأسلوب التقليدي القائم على جذب الهياكل الرسومية من خلال العناوين المصنوعة يدوياً يُعاني من قيود، وخصوصاً مع محدودية حجم السياق الذي يمكن للنموذج التعامل معه. لذلك، يعاني هذا النهج من صعوبات تتعلق بالضجيج وعدم الاستقرار في التفكير.

في هذا السياق، قدم الباحثون إطارًا جديداً يُعرف باسم ضغط الرسوم البيانية الإدراكية الهيكلية والدلالية (HS2C). يهدف هذا الإطار إلى استغلال المعلومات الهيكلية والدلالية التي تحتويها الرسوم البيانية لتقديم أداء أفضل لنماذج اللغات الضخمة. بالاستناد إلى مبدأ تقليل الإنتروبيا الهيكلية (Structural Entropy Minimization)، يقوم الإطار باتباع أسلوب تقسيم هرمية عالمية تكشف عن بنية الرسم البياني الضرورية، مما يساعد على تحديد المجتمعات المتماسكة التي تتسم بالتشابه، والتخلص من الضجيج العشوائي الناجم عن الاتصال.

من الناحية الدلالية، يوفر الإطار المعلومات الهيكلية التي تم التعرف عليها للنموذج، مما يمكّن النموذج من إجراء تجميع دلالي متميز بناءً على نوع المجتمع المحدد مسبقًا. يعمل هذا الأداء على ضغط السياقات الخلفية الزائدة إلى إجماع على مستوى المجتمع، مع الحفاظ على المعلومات الدلالية المتشابهة المتوافقة مع العقد المستهدفة.

أظهرت التجارب الواسعة النطاق على 10 معايير قائمة على العقد، عبر نماذج لغات ضخمة مختلفة، أن إدخال بيانات مضغوطة هيكليًا ودلاليًا يحسن من دقة الاستدلال والسرعة. كما أثبتت التوسعات إلى 7 معايير رسوم بيانية متنوعة العامة (Generality) في الأداء أن HS2C ليس مجرد أداة مهمة، بل يمثل ثورة في التفكير المنطقي لنماذج الذكاء الاصطناعي.