في عالم البيانات الضخم اليوم، تزايدت الأهمية الكبيرة لتعلم الجداول العلائقية في ظل الاستخدام الواسع لقواعد البيانات العلائقية. وعلى الرغم من أن الطرق التقليدية تعتمد غالباً على نماذج الشبكات العصبية العميقة (Deep GNN) أو الشبكات العصبية العلائقية (HGNN)، إلا أنها قد تعاني من ارتفاع التكلفة الحسابية وقيود في الأداء عند التعامل مع قواعد بيانات حقيقية كبيرة.

هنا تتدخل MetaRTL، الذي يمثل إطار عمل ثنائي المراحل مصمم ليكون قابلاً للتوسع ويتميز بالتعبير عن العلاقات العلائقية. في المرحلة الأولى، تسعى MetaRTL للحصول على تمثيلات ابتدائية للجداول من خلال تدريب خفيف الوزن، مما يؤدي إلى تقليل التعقيد دون المساس بالجودة.

يتبع ذلك مرحلة ثانية تتضمن تمرير الرسائل غير البارامترية لاستخراج ميزات المسار الوهمي التي يتم تجميعها بواسطة وحدة انتباه، تعرف بـ MetaAttn. إن هذه الاستراتيجية تنقل العمليات الحسابية من تمرير الرسائل العميقة إلى التجميع الفعال للمسارات الوهمية، مما يمكّن MetaRTL من التقاط الدلالات الغنية للعلاقات مع الحفاظ على الكفاءة العالية.

وأظهرت التجارب التي أُجريت على 10 مجموعات بيانات حقيقية عبر 24 مهمة فعالية هذه الطريقة المقترحة، مما يفتح آفاقاً جديدة في معالجة البيانات العلائقية.

فهل أنتم مستعدون للانطلاق في رحلة استكشاف تقنيات مبتكرة في تعلم الجداول العلائقية؟ شاركونا آرائكم حول MetaRTL في التعليقات!