نحو نماذج أساسية ثورية لقواعد البيانات العلائقية: دمج نماذج اللغة والشبكات العصبية البيانية

تشكل [قواعد البيانات](/tag/قواعد-[البيانات](/tag/البيانات)) العلائقية (Relational Databases) عماد الكثير من [المعلومات](/tag/المعلومات) الهيكلية في العالم، وهي تلعب دوراً أساسياً في [توجيه](/tag/توجيه) [التطبيقات](/tag/التطبيقات) التنبؤية المعقدة. لكن على الرغم من التقدم الكبير في [التعلم](/tag/التعلم) العميق، لا يزال هناك تحدٍ كبير في تطبيق هذه التقنيات على [البيانات](/tag/البيانات) العلائقية. الحل التقليدي يعتمد على [تحويل](/tag/تحويل) [قواعد البيانات](/tag/قواعد-[البيانات](/tag/البيانات)) إلى جداول فردية [عبر](/tag/عبر) [هندسة الميزات](/tag/[هندسة](/tag/هندسة)-الميزات) اليدوية، مما يؤدي إلى فقدان [السياق](/tag/السياق) العلائقي المهم.

هنا تأتي أهمية [التعلم العميق](/tag/[التعلم](/tag/التعلم)-العميق) العلائقي (Relational [Deep Learning](/tag/deep-learning)) الذي يعالج هذا الموضوع من خلال [نمذجة](/tag/نمذجة) [قواعد البيانات](/tag/قواعد-[البيانات](/tag/البيانات)) كرسوم بيانية كيان علائقي (Relational Entity Graphs - REGs) مخصصة للشبكات العصبية البيانية (Graph [Neural Networks](/tag/neural-networks) - GNNs). ومع أن هذه الطريقة تُعتبر ثورية، إلا أنها ما زالت محددة بالمهام وقواعد [البيانات](/tag/البيانات).

في خطوة تكنولوجية جديدة، اقترح الباحثون هيكلًا هجينًا يجمع بين مشفر [BART](/tag/bart) المحسن لالتقاط دلالات الصفوف الداخلية مع بنية [GNN](/tag/gnn) القائمة على GraphSAGE لتحقق تكاملاً مع [السياق](/tag/السياق) العلائقي. أظهرت [التجارب](/tag/التجارب) على [مجموعة بيانات](/tag/مجموعة-[بيانات](/tag/بيانات)) RelBench أن [GNN](/tag/gnn) تعزز بشكل كبير من [تمثيلات](/tag/تمثيلات) الصفوف التي أنتجها BART، محققة درجة [ROC](/tag/roc)-AUC بلغت 67.40 في مهمة driver-dnf من [مجموعة بيانات](/tag/مجموعة-[بيانات](/tag/بيانات)) rel-f1.

هذا [الأداء](/tag/الأداء) يعتبر تنافسياً مع [المعايير](/tag/المعايير) المشرفة مثل LightGBM التي حققت 68.86، مما يضيق الهوة مع [التعلم العميق](/tag/[التعلم](/tag/التعلم)-العميق) العلائقي إلى 5.22 نقاط. ومع ذلك، تبقى [الفجوة](/tag/الفجوة) كبيرة عند مقارنتها بالنماذج الأساسية المتقدمة مثل KumoRFM التي حققت 82.63. هذه النتائج تشير إلى أن [الهياكل الهجينة](/tag/الهياكل-الهجينة) الخفيفة من LM-[GNN](/tag/gnn) تمثل مسارًا واعدًا وفعالاً [نحو](/tag/نحو) [تطوير](/tag/تطوير) [نماذج أساسية](/tag/[نماذج](/tag/نماذج)-أساسية) لقواعد [البيانات](/tag/البيانات) العلائقية.

مالذي تعتقدون أنه يمكن أن يتضمنه المستقبل في هذا المجال؟ شاركونا آرائكم في [التعليقات](/tag/التعليقات)!