في عالم البيانات الضخمة، يعد اكتشاف الشذوذ في الرسوم البيانية (Graph Anomaly Detection - GAD) من الأمور الحاسمة لتحديد الكيانات غير العادية مثل العقد (nodes) والحواف (edges) التي تتباين بشكل كبير عن الغالبية. ولكن تقنيات الاكتشاف التقليدية غالباً ما تتجاهل السياق الهيكلي لهذه العقد، مما يقيد قدرتها على تحديد الأنماط المعقدة الناتجة عن عدم التوافق بين المحتوى الفعلي للعقد ودورها في التركيبة.
للتغلب على هذه المشكلة، تم تقديم نهج جديد يُدعى TERGAD (Structure-aware Text-enhanced Representations for Graph Anomaly Detection). تعتمد هذه الطريقة على تعزيز المعاني الهيكلية من خلال استخدام نماذج اللغات الضخمة (Large Language Models - LLMs) لتوليد سرد طبيعي يصف الخصائص الطوبولوجية على مستوى العقد.
عملية TERGAD تشمل ترجمة الخصائص الطوبولوجية إلى نصوص وصفية، تُعالج بواسطة نموذج لغة ضخم لاستخراج توافقات دلالية عالية المستوى. ثم يتم دمج هذه التوافقات بنهج مزدوج عبر شبكة عصبية ذات فرعين، بحيث يتم إعادة بناء الهيكل الرسومي وخصائص العقد بشكل مشترك.
يتم حساب درجة الشذوذ بناءً على خطأ إعادة البناء المدمج، مما يعكس التباينات لكل من الخصائص المرئية وتوقعات اللغة المدعومة بواسطة نماذج اللغات الضخمة.
كشفت التجارب على ستة مجموعات بيانات حقيقية أن TERGAD يتفوق باستمرار على أحدث الأساليب الموجودة، مما يثبت فعالية النموذج في اكتشاف الشذوذ. كما تم التحقق من دور الإرشادات الدلالية الهيكلية وأهمية آلية الدمج الموحدة من خلال دراسات التجزئة.
هذه التكنولوجيا ليست مجرد تطور تقني؛ بل هي خطوة نحو تحسين كيفية التعامل مع البيانات المعقدة في المستقبل.