DOI: https://doi.org/10.1016/j.knosys.2026.115835
تاريخ النشر: 2026-03-21
المؤلف: Gerard Pons وآخرون
الموضوع الرئيسي: أنظمة وتقنيات التوصية
نظرة عامة
في سياق بيئة مدفوعة بشكل متزايد بالبيانات، تؤكد الأبحاث على ضرورة وجود أدوات متقدمة وسهلة الاستخدام تسهل تحليل البيانات للمستخدمين غير الخبراء، مثل علماء البيانات المواطنين. تقترح الدراسة استخدام الرسوم البيانية المعرفية (KGs) كإطار أساسي لالتقاط سير العمل التحليلي المعقد، مع تضمين مكونات سير العمل بالإضافة إلى معلومات محددة عن المستخدم، بما في ذلك النوايا والتعليقات. تهدف هذه المقاربة إلى تعزيز تفاعل المستخدم مع أنظمة تحليل البيانات من خلال تقديم المساعدة والتوصيات المخصصة بناءً على البيانات المخزنة داخل KG.
تحدد الأبحاث طريقتين رئيسيتين للاستفادة من KG: في البداية، استخدام قوالب الاستعلام لاستخراج المعلومات، والتي كشفت عن قيود دفعت إلى التحول نحو استخدام تضمينات الرسوم البيانية المعرفية لمهام توقع الروابط. أظهرت هذه الطريقة الأخيرة مرونة وفعالية محسنتين في التقاط هيكل الرسم البياني، مما أدى في النهاية إلى توصيات أكثر منطقية. يُقترح العمل المستقبلي لاستغلال قدرات KG بشكل أكبر، بما في ذلك دمجه مع وحدات مختلفة من مساعدي تحليل البيانات، وتوسيع نطاقه ليشمل عمليات إضافية مثل تكامل البيانات وبروتوكولات الأمان، وتنقيح تسلسل النوايا ليتماشى بشكل أفضل مع مصطلحات الأعمال.
مقدمة
تستعرض مقدمة هذه الورقة البحثية الأهمية المتزايدة لتعلم الآلة (ML) ضمن الذكاء الاصطناعي، مع التأكيد على قدرته على استنباط المعرفة من البيانات لمهام معقدة متنوعة. مع زيادة توفر البيانات، أدى التحدي المتمثل في تحويل البيانات الخام إلى رؤى قابلة للتنفيذ إلى تطوير أدوات مثل مساعدي الاكتشاف الذكي (IDAs) وأنظمة AutoML، التي تهدف إلى تبسيط سير عمل ML لكل من الخبراء وغير الخبراء. على الرغم من هذه التقدمات، لا يزال المستخدمون يواجهون قرارات حاسمة يمكن أن تؤثر بشكل كبير على جودة النتائج، مما يستلزم تحسين الإرشادات خلال عملية إنشاء سير العمل.
لمعالجة هذه المشكلة، يقترح المؤلفون طريقة تستخدم رسمًا بيانيًا معرفيًا (KG) لتقديم توصيات موجهة للمستخدم بناءً على خصائصهم، وتجاربهم السابقة، ومجموعات البيانات المستخدمة. تم تصميم KG لالتقاط مكونات سير العمل التحليلي بالإضافة إلى تفاعلات المستخدم والتعليقات، مما يسهل إنشاء سير عمل أكثر تخصيصًا وفعالية. توضح الورقة تطوير نظام توصية يعتمد على توقع الروابط من تضمينات KG، مما يعزز مرونة وملاءمة التوصيات. تشمل المساهمات الرئيسية إنشاء تمثيل هرمي لنوايا تحليل البيانات، واستخدام قوالب الاستعلام لاسترجاع المعلومات، وتقييم الطرق المقترحة من خلال تقييمات نوعية من قبل خبراء المجال. بشكل عام، تهدف الأعمال إلى تحسين كفاءة وفعالية إنشاء سير عمل ML من خلال الاستفادة من تمثيل المعرفة المنظم.
طرق
في هذا القسم، يصف المؤلفون منهجية التصميم لرسم بياني معرفي (KG) يهدف إلى توحيد المصطلحات لتوضيح سير عمل تعلم الآلة (ML). تم تعديل المنهجية من عمل سابق، مع تعديلات مصممة لتناسب الخصائص المحددة لهذه الدراسة. يوضح المؤلفون الخطوات المعنية في إنشاء KG، مع التأكيد على أهمية إنشاء إطار عمل متسق للتوضيح.
يتكون التقييم التجريبي من تجارب متنوعة تستخدم تضمينات الرسوم البيانية المعرفية (KGEs) وتقنيات توقع الروابط (LP) المطبقة على KG المطور. الأهداف الرئيسية مزدوجة: أولاً، تقييم قدرة نماذج التضمين المختلفة وتكوينات المعلمات في التقاط KG بالكامل بدقة، وثانيًا، تقييم فعالية مهمة LP في توليد توصيات ذات مغزى ضمن المجال المعني. يتبع التصميم التجريبي أفضل الممارسات المعمول بها في أبحاث أنظمة الكمبيوتر، مما يضمن نتائج قوية وموثوقة.
نتائج
في قسم النتائج، تقيم الدراسة نماذج التضمين المختلفة باستخدام مقياس Hits@3، مع التركيز بشكل خاص على توقعات الذيل، التي أظهرت أداءً متفوقًا مقارنة بتوقعات الرأس. تم الإبلاغ عن القيم المتوسطة للأداء لتوقعات الذيل على النحو التالي: ComplEx (8.2)، DistMult (2.7)، RotatE (4.3)، TransE (8.6)، TransH (7.7)، وTransR (9.1). أشارت التجارب إلى أن زيادة أبعاد التضمين تعزز الأداء بشكل عام، حيث بلغت ذروتها عند القيم المتوسطة (32 أو 64) قبل أن تستقر أو تنخفض عند الأبعاد الأعلى (128 و256). بالإضافة إلى ذلك، أظهر عدد العينات السلبية لكل إيجابية (NPP) اتجاهًا مشابهًا، حيث كانت التكوينات القياسية لـ 1 NPP غير كافية، وأدت جلسات التدريب الأطول إلى نتائج أفضل، على الرغم من أن هذا التأثير كان متغيرًا حسب النموذج.
كما أثر معدل التعلم بشكل كبير على ديناميات التدريب، حيث أدت القيم العالية (مثل 0.1) إلى تذبذب وفشل في التقارب. أدت معدلات التعلم المنخفضة (مثل 0.0001) إلى درجات تقييم ضعيفة على الرغم من انخفاض قيم الخسارة، مما يشير إلى احتمال حدوث فرط في التخصيص. من بين النماذج، حقق TransH أعلى أداء متوسط عام، يليه عن كثب ComplEx وDistMult، بينما كان أداء TransE أقل. اختتمت الدراسة بتحسين تلقائي لتوليف المعلمات لـ TransH باستخدام خوارزمية Tree-Structured Parzen Estimator (TSE)، والتي أسفرت عن تحسين طفيف (2.03%) في أداء Hits@3 بعد 100 تكرار، مما يؤكد فعالية تكوينات المعلمات المحددة سابقًا.
مناقشة
في قسم المناقشة من الورقة البحثية، يستعرض المؤلفون الأنطولوجيات الحالية والرسوم البيانية المعرفية (KGs) التي تم تطويرها على مدار العقد الماضي لالتقاط سير عمل تحليل البيانات (DA) وتعزيز عمليات اتخاذ القرار. يسلطون الضوء على عدة أنطولوجيات بارزة، مثل DMOP وOntoDM وBIGOWL وML-Schema، التي تركز على جوانب مختلفة من عملية DA، بما في ذلك أوصاف المهام، وهياكل سير العمل، وإدارة الخوارزميات. ومع ذلك، يحدد المؤلفون فجوة كبيرة في هذه الأطر: لا يدمج أي منها بشكل كافٍ خصائص المستخدم، والتفضيلات، والتعليقات، التي تعتبر أساسية لإنشاء سير عمل تحليلي أكثر ملاءمة وهدفًا.
يقترح المؤلفون KG جديدًا يدمج نوايا المستخدم، والقيود، ومتطلبات التقييم في عملية إنشاء سير العمل. يصنفون نوايا المستخدم إلى خمس مجموعات—وصف، تقييم، شرح، توقع، واقتراح—مرتبط كل منها بمهام وخوارزميات تعلم الآلة المحددة. تم تصميم KG ليكون مرنًا، مما يسمح للمستخدمين بتحديد قيود على الخوارزميات، والمعلمات، وسير العمل. من خلال إعادة استخدام الأنطولوجيات الحالية مثل DMOP وأنطولوجيا الأشخاص، يهدف KG المقترح إلى تسهيل إنشاء سير عمل تحليلي تلقائي مصمم وفقًا لاحتياجات المستخدم. يناقش المؤلفون أيضًا إمكانية استخدام تضمينات الرسوم البيانية المعرفية (KGEs) لتعزيز قدرات التوصية للنظام، ومعالجة مشكلة البداية الباردة من خلال الاستفادة من العلاقات بين الكيانات الموجودة والجديدة في KG. تهدف هذه المقاربة الشاملة إلى تحسين ملاءمة وفعالية سير عمل DA في سياقات تعلم الآلة.
DOI: https://doi.org/10.1016/j.knosys.2026.115835
Publication Date: 2026-03-21
Author(s): Gerard Pons et al.
Primary Topic: Recommender Systems and Techniques
Overview
In the context of an increasingly data-driven environment, the research emphasizes the necessity for advanced yet user-friendly tools that facilitate data analytics for non-expert users, such as citizen data scientists. The study proposes the use of Knowledge Graphs (KGs) as a foundational framework to capture complex analytics workflows, incorporating not only the components of the workflows but also user-specific information, including intents and feedback. This approach aims to enhance user interaction with data analytics systems by providing tailored assistance and recommendations based on the stored data within the KG.
The research outlines two primary methods for leveraging the KG: initially, the use of query templates for information extraction, which revealed limitations that prompted a shift towards employing knowledge graph embeddings for link prediction tasks. This latter method demonstrated improved flexibility and effectiveness in capturing the graph structure, ultimately leading to more sensible recommendations. Future work is suggested to further exploit the KG’s capabilities, including its integration with various modules of Data Analytics Assistants, expanding its scope to encompass additional processes like data integration and security protocols, and refining the intent hierarchy to better align with business terminology.
Introduction
The introduction of this research paper outlines the growing significance of Machine Learning (ML) within Artificial Intelligence, emphasizing its ability to derive knowledge from data for various complex tasks. As data availability increases, the challenge of transforming raw data into actionable insights has led to the development of tools like Intelligent Discovery Assistants (IDAs) and AutoML systems, which aim to streamline the ML workflow for both experts and non-experts. Despite these advancements, users still face critical decisions that can significantly affect the quality of outcomes, necessitating improved guidance during the workflow generation process.
To address this issue, the authors propose a method that utilizes a Knowledge Graph (KG) to provide user-centered recommendations based on their characteristics, past experiences, and the datasets in use. The KG is designed to capture not only the components of analytical workflows but also user interactions and feedback, thereby facilitating a more personalized and effective workflow generation. The paper outlines the development of a recommender system based on link prediction from KG embeddings, which enhances the flexibility and relevance of recommendations. Key contributions include the establishment of a hierarchical representation of Data Analytics intents, the use of query templates for information retrieval, and an evaluation of the proposed methods through qualitative assessments by domain experts. Overall, the work aims to improve the efficiency and effectiveness of ML workflow creation by leveraging structured knowledge representation.
Methods
In this section, the authors describe the design methodology for a Knowledge Graph (KG) aimed at standardizing terminology for annotating machine learning (ML) workflows. The methodology is adapted from a previous work, with modifications tailored to the specific characteristics of this study. The authors outline the steps involved in the creation of the KG, emphasizing the importance of establishing a consistent framework for annotation.
The experimental evaluation consists of various experiments utilizing Knowledge Graph Embeddings (KGEs) and Link Prediction (LP) techniques applied to the developed KG. The primary objectives are twofold: first, to assess the capability of different embedding models and parameter configurations in accurately capturing the entirety of the KG, and second, to evaluate the effectiveness of the LP task in generating meaningful recommendations within the relevant domain. The experimental design adheres to established best practices in computer systems research, ensuring robust and reliable results.
Results
In the results section, the study evaluates various embedding models using the Hits@3 metric, particularly focusing on tail predictions, which showed superior performance compared to head predictions. The average performance values for tail predictions were reported as follows: ComplEx (8.2), DistMult (2.7), RotatE (4.3), TransE (8.6), TransH (7.7), and TransR (9.1). The experiments indicated that increasing the embedding dimension generally enhances performance, peaking at intermediate values (32 or 64) before stabilizing or declining at higher dimensions (128 and 256). Additionally, the number of negative samples per positive (NPP) demonstrated a similar trend, where a standard configuration of 1 NPP was insufficient, and longer training sessions yielded better results, although this effect varied by model.
The learning rate also significantly influenced the training dynamics, with high values (e.g., 0.1) leading to oscillation and failure to converge. Lower learning rates (e.g., 0.0001) resulted in poor evaluation scores despite low loss values, suggesting potential overfitting. Among the models, TransH achieved the highest overall mean performance, followed closely by ComplEx and DistMult, while TransE underperformed. The study concluded with an automatic hyperparameter tuning optimization for TransH using the Tree-Structured Parzen Estimator (TSE) algorithm, which yielded a slight improvement (2.03%) in Hits@3 performance after 100 iterations, confirming the efficacy of previously identified hyperparameter configurations.
Discussion
In the discussion section of the research paper, the authors review existing ontologies and knowledge graphs (KGs) developed over the past decade to capture data analytics (DA) workflows and enhance decision-making processes. They highlight several notable ontologies, such as DMOP, OntoDM, BIGOWL, and ML-Schema, which focus on various aspects of the DA process, including task descriptions, workflow structures, and algorithm management. However, the authors identify a significant gap in these frameworks: none adequately incorporate user characteristics, preferences, and feedback, which are essential for creating more relevant and intentional analytics workflows.
The authors propose a novel KG that integrates user intents, constraints, and evaluation requirements into the workflow generation process. They categorize user intents into five groups—Describe, Assess, Explain, Predict, and Suggest—each linked to specific machine learning tasks and algorithms. The KG is designed to be flexible, allowing users to specify constraints on algorithms, hyperparameters, and workflows. By reusing existing ontologies like DMOP and the Person ontology, the proposed KG aims to facilitate the automated creation of analytical workflows tailored to user needs. The authors also discuss the potential of knowledge graph embeddings (KGEs) to enhance the recommendation capabilities of the system, addressing the cold-start problem by leveraging relationships between existing and new entities in the KG. This comprehensive approach aims to improve the relevance and effectiveness of DA workflows in machine learning contexts.