البيانات متعددة العلاقات، مثل الرسوم المعرفية (Knowledge Graphs)، وبيانات المراجع الأكاديمية، والشبكات المعلوماتية، شائعة جدًا في مجموعات البيانات الواقعية. وتمثّل إدارة واستكشاف واستخدام هذه المجموعات الكبيرة والمعقدة تحديًا كبيرًا. في السنوات الأخيرة، ظهرت أساليب التضمين متعدد العلاقات (Multi-relational Embedding) كنهج فعّال جديد لتمثيل البيانات متعددة العلاقات، من خلال تمثيل الكيانات والعلاقات كمتجهات تضمينية في الفضاء الدلالي. وعلى الرسوم المعرفية، تهدف أساليب تضمين الرسم المعرفي إلى نمذجة التفاعلات بين هذه المتجهات التضمينية للتنبؤ بالروابط العلاقة بين الكيانات. وتُعدّ هذه الأساليب فعّالة في حل المهمة الجوهرية المتمثلة في تنبؤ الروابط (Link Prediction) لاستكمال الرسم المعرفي، كما توفر تمثيلات تضمينية تمتلك تطبيقات محتملة متعددة.يهدف هذا العمل إلى دراسة تضمين البيانات متعددة العلاقات على الرسوم المعرفية لاقتراح نموذج تضمين جديد يفسّر ويُحسّن الأساليب السابقة، ثم دراسة تطبيقات تضمين البيانات متعددة العلاقات في تمثيل وتحليل الرسوم المعرفية.في الجزء الأول من هذه الرسالة، ندرس الإطار النظري لأساليب تضمين الرسم المعرفي لفهمها وتحسينها. نراجع ونحلل الفئة الشائعة من أساليب التضمين القائمة على التوافق الدلالي، مع التركيز على النماذج المتطورة من نوع المنتج الثلاثي (trilinear-product-based)، مثل نموذج ComplEx. بناءً على تحليلنا، نحدد جوانب أساسية متكاملة يحتاجها نموذج تضمين الرسم المعرفي، وهي: الكفاءة الحسابية (Computational Efficiency) وقُدرة النموذج على التعبير (Model Expressiveness). وتعتمد النماذج السابقة من نوع المنتج الثلاثي على آليات تفاعل مصممة خصيصًا لتقديم توازن يدوي بين الجانبين، لكن هذه الآليات مصممة مسبقًا وثابتة، مما قد يؤدي إلى أداء غير مثالي أو صعوبة في التوسع. في هذه الرسالة، نقترح نموذج التفاعل التضميني متعدد التقسيمات (Multi-Partition Embedding Interaction - MEI) باستخدام التنسيق التوافقي (Block Term Format) لمعالجة هذه المشكلة بشكل منهجي. يقسم نموذج MEI كل تضمين إلى متجهات متعددة التقسيمات، مما يُمكّن من تقييد التفاعلات بكفاءة. ويُمثل كل تفاعل محلي باستخدام تنسيق التنسور تاكر (Tucker Tensor Format)، بينما يُمثل التفاعل الكامل باستخدام تنسيق التنسور الكتلي (Block Term Tensor Format)، ما يتيح لنموذج MEI التحكم في التوازن بين التعبير والتكلفة الحسابية، وتمكّنه من تعلّم آليات التفاعل من البيانات تلقائيًا. ويجمع النموذج بين تنسيقات التمثيل التنسوري المتقدمة وتقنيات التعلم العميق الحديثة لتحقيق أداء متميز على مهمة تنبؤ الروابط. ويُستخدم الإطار النظري لنموذج MEI لاحقًا كآلية عامة لتمثيل الرسم المعرفي لتحليل وشرح وتوسيع النماذج السابقة. كما نربط بين تضمينات الرسم المعرفي وتضمينات الكلمات (Word Embeddings) ونمذجة اللغة، مما يوفر رؤى جديدة وتوسيعات عامة.في الجزء الثاني من الرسالة، ندرس كيفية تطبيق تضمين البيانات متعددة العلاقات في تمثيل وتحليل الرسوم المعرفية. على عكس تضمينات الكلمات، فإن الهياكل الدلالية مثل هيكل التشابه والتماثل (Analogy Structures) في فضاء تضمين الرسم المعرفي لم تُدرس بشكل كافٍ، وبالتالي لا تُستخدم عادةً في التمثيل التحليلي للبيانات. لتقديم تطبيق عملي لتضمين البيانات متعددة العلاقات، نُصاغ إطارًا رسميًا للتمثيل التحليلي للبيانات من خلال استعلامات دلالية على فضاء التضمين متعدد العلاقات. نُنشئ رسمًا معرفيًا من بيانات أكاديمية، ونُظهر كيف يمكن تقريب مهام مختلفة من البيانات الأصلية باستخدام استعلامات دلالية مناسبة، والتي تمثل عمليات جبرية متعددة الخطية (Multi-linear Algebraic Operations) على فضاءات التضمين متعددة العلاقات. كما نُجري دراسة نظرية لمهام الاستدلال بالتماثل بين الكيانات (Entity Analogy Reasoning) في فضاء التضمين متعدد العلاقات، والتي يمكن صياغتها كمهمة استعلام علاقة مفتوحة بناءً على أمثلة (Open-Relational Query by Examples)، أي أداء استعلام علاقة على علاقات غير مرئية. وباستخدام الروابط الرياضية المذكورة سابقًا بين تضمينات الرسم المعرفي وتضمينات الكلمات، نحلل الهياكل الدلالية في فضاء التضمين المعرفي ونُقترح حلولًا محتملة لمهام الاستدلال بالتماثل بين الكيانات. ويهدف هذا الجهد إلى استكشاف التطبيقات المحتملة للتقدم الحديث في تضمين البيانات متعددة العلاقات في التمثيل التحليلي للبيانات، وبخاصة تحسين فعاليتها في معالجة البيانات الأكاديمية.