يصبح استخراج الخصائص أهمية متزايدة مع زيادة أبعاد البيانات. حقق الترميز التلقائي (Autoencoder) كطريقة لاستخراج الخصائص تعتمد على الشبكات العصبية نجاحًا كبيرًا في توليد خصائص مجردة للبيانات ذات الأبعاد العالية. ومع ذلك، فإنه يفشل في مراعاة علاقات عينات البيانات التي قد تؤثر على نتائج التجارب عند استخدام الخصائص الأصلية والجديدة. في هذا البحث، نقترح نموذج الترميز التلقائي العلائقي (Relation Autoencoder) الذي يأخذ بعين الاعتبار كل من خصائص البيانات والعلاقات بينها. كما قمنا بتوسيعه ليعمل مع النماذج الرئيسية الأخرى للترميز التلقائي، بما في ذلك الترميز التلقائي النادر (Sparse Autoencoder)، الترميز التلقائي المقاوم للضوضاء (Denoising Autoencoder) والترميز التلقائي المتغير (Variational Autoencoder). تم تقييم النماذج المقترحة للترميز التلقائي العلائقي على مجموعة من مجموعات البيانات المرجعية، وأظهرت نتائج التجارب أن مراعاة علاقات البيانات يمكن أن تولد خصائص أكثر صلابة، مما يؤدي إلى انخفاض خسارة البناء وانخفاض معدل الخطأ في تصنيفات اللاحقة مقارنة بالنسخ الأخرى من الترميزات التلقائية.