الفهرس 
IntroductionOnly 14 pages are availabe for public view
 |  | from | 145 |  |  |
| | | from | 145 | | |
Abstract
الشبكات المعقدة هي نموذج رياضي يستخدم لدراسة التفاعلات بين العناصر في نظام معقد. وتشمل هذه الشبكات العديد من الأنظمة الحقيقية التي تتكون من مجموعة من العناصر المترابطة بشكل معقد، مثل الشبكات الاجتماعية, شبكات الاقتباس و الشبكات البيولوجية. تعني الشبكات المعقدة المنسوبة (Attributed Complex Networks) أن العناصر في الشبكة ليست مجرد عقد وربطات، ولكن لكل عقد سماته الخاصة التي تميزه عن العقد الآخر. وهذه السمات يمكن أن تكون كميات رقمية أو خصائص نوعية. وبالتالي، فإن الشبكات المعقدة المنسوبة تتيح للمستخدمين تمثيل الشبكات الحقيقية بشكل أكثر تعقيداً ودقة، حيث يتم تضمين معلومات إضافية عن العقد في الشبكة. ومن الأمثلة على السمات المنسوبة للعقد في الشبكات المعقدة: العمر والجنس والمناصب الوظيفية والموقع الجغرافي وغيرها. تستخدم الشبكات المعقدة المنسوبة في العديد من المجالات مثل الشبكات الاجتماعية والشبكات الحيوية والشبكات الجينية والشبكات اللغوية، حيث تساعد في فهم العلاقات بين العناصر وتحليلها بشكل أكثر دقة، وتستخدم في تصميم الأنظمة الذكية التي تستند إلى التعلم الآلي والذكاء الاصطناعي. تواجه شبكات العالم الحقيقي العديد من التحديات والصعوبات التي تجعل من الصعب فهمها وتحليلها بشكل كامل وشامل. ومن بين هذه التحديات: الابعاد العالية والمتعددة: حيث يتضمن النظام العديد من العناصر المرتبطة بشكل معقد، مما يؤدي إلى وجود مستويات متعددة من القرب بين المكونات، وعدد كبير من العلاقات غير الخطية بين العقد. الطبيعة الديناميكية للهيكل: حيث يمكن أن تتغير العلاقات بين العناصر في الشبكة مع مرور الوقت، وهذا يعني أن الشبكات الحية وغير الثابتة تتطلب تحليل ديناميكي للعلاقات بين العناصر. العلاقة بين العقد وخصائصها: حيث يمكن لكل عقد في الشبكة أن يحمل خصائص مختلفة وتكون هذه الخصائص ذات أهمية كبيرة في فهم العلاقات بين العناصر في الشبكة. تحليل البيانات الكبيرة: حيث يمكن أن تتضمن شبكات العالم الحقيقي كميات هائلة من البيانات، مما يجعل من الصعب تحليلها بشكل فعال وسريع. لمعالجة هذه التحديات، يتم تقديم نموذجين يعتمدان على انوية الرسوم البيانية والتعلم العميق (Deep Attributed Network Embedding via Weisfeiler-Lehman and Autoencoder (DANE-WLA) وAttributed Network Embedding using an Improved Weisfeiler-Lehman Schema and a Novel Deep Skip-Gram (ANE-WLDSG)). في النموذج الأول (DANE-WLA)، تم استخدام مخططات القرب Weisfeiler-Lehman لالتقاط تبعية العقد بين حواف العقد والسمات الخاصة بالعقد، بناءً على تسلسل المعلومات. ثم تم استخدام مشفر تلقائي عميق لاتقاط المعلومات غير الخطية المعقدة و تمثيلها في متجهات منخفضة الابعاد. قدمنا برهاناً رياضيًا، يثبت أن استخدام WL في دمج سمات العقد مع السمات المجاورة فعال ومتوازن. النموذج الثاني (ANE-WLDSG) يتكون من ثلاث مراحل. في المرحلة الأولى، تم استخدام مخطط Weisfeiler-Lehman المعدل (WLIA) لالتقاط و دمج سمات العقد في الحي مع سمات العقدة الهدف بناءا على تسلسل الروابط بين عقد الحي. في المرحلة الثانية، تم إنشاء مجموعة تدريبية قائمة على المشي العشوائي. في المرحلة الثالثة، تم تدريب Deep Skip-Gram (DSG) لاستخراج اللاخطية العالية بين العقد وتضمينها في مساحة منخفضة الأبعاد. من ناحية أخرى، نظرًا لأهمية مسألة التنبؤ بالروابط في العديد من مهام تحليل شبكات العالم الحقيقي، نقترح نهجًا جديدًا يتعامل مع التنبؤ بالرابط باعتباره مشكلة اكتشاف العناصر الجديدة. يستخدم نهجنا خوارزمية العامل الخارجي المحلي (LOF) لتحديد درجة توقع الروابط غير الموجودة بناءً على تمثيلات الروابط الحالية. تُظهر نتائجنا التجريبية أن نهجنا المقترح يتفوق على الأساليب الحالية ، لا سيما عند استخدامه مع نماذج تضمين الشبكة القائمة على دمج هيكل الشبكة مع سمات العقد (الشبكات المنسوبة).