trustgraph/docs/tech-specs/ontorag.ar.md

---
layout: default
title: "المواصفات الفنية لنظام OntoRAG: استخراج المعرفة القائم على علم الأنطولوجيا والاستعلام."
parent: "Arabic (Beta)"
---

# المواصفات الفنية لنظام OntoRAG: استخراج المعرفة القائم على علم الأنطولوجيا والاستعلام.

> **Beta Translation:** This document was translated via Machine Learning and as such may not be 100% accurate. All non-English languages are currently classified as Beta.

## نظرة عامة

OntoRAG هو نظام لاستخراج المعرفة والاستعلام القائم على علم الأنطولوجيا يفرض اتساقًا دلاليًا صارمًا أثناء كل من استخراج ثلاثيات المعرفة من النصوص غير المنظمة والاستعلام عن الرسم البياني المعرفي الناتج. على غرار GraphRAG ولكن مع قيود الأنطولوجيا الرسمية، يضمن OntoRAG أن جميع الثلاثيات المستخرجة تتوافق مع الهياكل الأنطولوجية المحددة مسبقًا ويوفر قدرات استعلام واعية دلاليًا.

يستخدم النظام مطابقة التشابه المتجهي لتحديد مجموعات فرعية ذات صلة من الأنطولوجيا ديناميكيًا لكل من عمليات الاستخراج والاستعلام، مما يتيح معالجة مركزة ومناسبة للسياق مع الحفاظ على الصحة الدلالية.

**اسم الخدمة**: `kg-extract-ontology`

## الأهداف

**استخراج متوافق مع الأنطولوجيا**: التأكد من أن جميع الثلاثيات المستخرجة تتوافق بشكل صارم مع الأنطولوجيات المحملة.
**تحديد السياق الديناميكي**: استخدام التضمينات لتحديد مجموعات فرعية ذات صلة من الأنطولوجيا لكل جزء.
**الاتساق الدلالي**: الحفاظ على التسلسلات الهرمية للفئات، ونطاقات/مدى الخصائص، والقيود.
**معالجة فعالة**: استخدام مخازن متجهات في الذاكرة لمطابقة سريعة لعناصر الأنطولوجيا.
**هيكلة قابلة للتوسع**: دعم أنطولوجيات متعددة متزامنة ذات مجالات مختلفة.

## الخلفية

تعمل خدمات استخراج المعرفة الحالية (`kg-extract-definitions`، `kg-extract-relationships`) بدون قيود رسمية، مما قد يؤدي إلى إنتاج ثلاثيات غير متسقة أو غير متوافقة. يعالج OntoRAG ذلك عن طريق:

1. تحميل أنطولوجيات رسمية تحدد الفئات والخصائص الصالحة.
2. استخدام التضمينات لمطابقة محتوى النص مع عناصر الأنطولوجيا ذات الصلة.
3. تقييد الاستخراج لإنتاج ثلاثيات متوافقة مع الأنطولوجيا فقط.
4. توفير التحقق الدلالي للمعرفة المستخرجة.

يجمع هذا النهج بين مرونة الاستخراج العصبي ودقة تمثيل المعرفة الرسمي.

## التصميم الفني

### البنية

يتكون نظام OntoRAG من المكونات التالية:

```
┌─────────────────┐
│  Configuration  │
│    Service      │
└────────┬────────┘
         │ Ontologies
         ▼
┌─────────────────┐      ┌──────────────┐
│ kg-extract-     │────▶│  Embedding   │
│   ontology      │      │   Service    │
└────────┬────────┘      └──────────────┘
         │                      │
         ▼                      ▼
┌─────────────────┐      ┌──────────────┐
│   In-Memory     │◀────│   Ontology   │
│  Vector Store   │      │   Embedder   │
└────────┬────────┘      └──────────────┘
         │
         ▼
┌─────────────────┐      ┌──────────────┐
│    Sentence     │────▶│   Chunker    │
│    Splitter     │      │   Service    │
└────────┬────────┘      └──────────────┘
         │
         ▼
┌─────────────────┐      ┌──────────────┐
│    Ontology     │────▶│   Vector     │
│    Selector     │      │   Search     │
└────────┬────────┘      └──────────────┘
         │
         ▼
┌─────────────────┐      ┌──────────────┐
│    Prompt       │────▶│   Prompt     │
│   Constructor   │      │   Service    │
└────────┬────────┘      └──────────────┘
         │
         ▼
┌─────────────────┐
│  Triple Output  │
└─────────────────┘
```

### تفاصيل المكون

#### 1. مُحمِّل الأونتولوجيا

**الغرض**: يسترجع ويحلل تكوينات الأونتولوجيا من خدمة التكوين باستخدام تحديثات تعتمد على الأحداث.

**التنفيذ**:
يستخدم مُحمِّل الأونتولوجيا قائمة انتظار ConfigPush الخاصة بـ TrustGraph لتلقي تحديثات تكوين الأونتولوجيا التي تعتمد على الأحداث. عندما تتم إضافة عنصر تكوين من نوع "أونتولوجيا" أو تعديله، يتلقى المُحمِّل التحديث عبر قائمة انتظار config-update ويحلل هيكل JSON الذي يحتوي على البيانات الوصفية والفئات وخصائص الكائنات وخصائص أنواع البيانات. يتم تخزين هذه الأونتولوجيات التي تم تحليلها في الذاكرة ككائنات منظمة يمكن الوصول إليها بكفاءة أثناء عملية الاستخراج.

**العمليات الرئيسية**:
الاشتراك في قائمة انتظار config-update لتكوينات من نوع الأونتولوجيا
تحليل هياكل الأونتولوجيا بتنسيق JSON إلى كائنات OntologyClass و OntologyProperty
التحقق من صحة هيكل الأونتولوجيا واتساقه
تخزين الأونتولوجيات التي تم تحليلها مؤقتًا في الذاكرة للوصول السريع
التعامل مع المعالجة الخاصة بكل تدفق باستخدام مخازن متجهة خاصة بالتدفق

**موقع التنفيذ**: `trustgraph-flow/trustgraph/extract/kg/ontology/ontology_loader.py`

#### 2. مُضمِّن الأونتولوجيا

**الغرض**: ينشئ تضمينات متجهة لجميع عناصر الأونتولوجيا لتمكين مطابقة التشابه الدلالي.

**التنفيذ**:
يعالج مُضمِّن الأونتولوجيا كل عنصر في الأونتولوجيات التي تم تحميلها (الفئات وخصائص الكائنات وخصائص أنواع البيانات) وينشئ تضمينات متجهة باستخدام خدمة EmbeddingsClientSpec. لكل عنصر، يجمع بين معرف العنصر والتسميات والوصف (التعليق) لإنشاء تمثيل نصي. ثم يتم تحويل هذا النص إلى تضمين متجهي عالي الأبعاد يلتقط معناه الدلالي. يتم تخزين هذه التضمينات في مخزن متجهات FAISS في الذاكرة الخاص بكل تدفق مع بيانات وصفية حول نوع العنصر والأونتولوجيا المصدر والتعريف الكامل. يكتشف المُضمِّن تلقائيًا بُعد التضمين من الاستجابة الأولى للتضمين.

**العمليات الرئيسية**:
إنشاء تمثيلات نصية من معرفات العناصر والتسميات والتعليقات
إنشاء تضمينات عبر EmbeddingsClientSpec (باستخدام asyncio.gather للمعالجة الدفعية)
تخزين التضمينات مع بيانات وصفية شاملة في مخزن متجهات FAISS
الفهرسة حسب الأونتولوجيا ونوع العنصر ومعرف العنصر للاسترجاع الفعال
الكشف التلقائي عن أبعاد التضمين لتهيئة مخزن المتجهات
التعامل مع نماذج التضمين الخاصة بكل تدفق مع مخازن متجهة مستقلة

**موقع التنفيذ**: `trustgraph-flow/trustgraph/extract/kg/ontology/ontology_embedder.py`

#### 3. معالج النصوص (مقسم الجمل)

**الغرض**: يقوم بتقسيم أجزاء النص إلى أجزاء دقيقة لتمكين مطابقة دقيقة للأونتولوجيا.

**التنفيذ**:
يستخدم معالج النصوص NLTK لترميز الجملة ووسم أجزاء الكلام لتقسيم أجزاء النص الواردة إلى جمل. يتعامل مع توافق إصدارات NLTK عن طريق محاولة تنزيل `punkt_tab` و `averaged_perceptron_tagger_eng` مع الرجوع إلى الإصدارات الأقدم إذا لزم الأمر. يتم تقسيم كل جزء نصي إلى جمل فردية يمكن مطابقتها بشكل مستقل مع عناصر الأونتولوجيا.

**العمليات الرئيسية**:
تقسيم النص إلى جمل باستخدام ترميز الجملة الخاص بـ NLTK
التعامل مع توافق إصدارات NLTK (punkt_tab مقابل punkt)
إنشاء كائنات TextSegment مع النص ومعلومات الموضع
دعم كل من الجمل الكاملة والأجزاء الفردية

**موقع التنفيذ**: `trustgraph-flow/trustgraph/extract/kg/ontology/text_processor.py`

#### 4. مُحدد الأونتولوجيا

**الغرض**: يحدد المجموعة الفرعية الأكثر صلة من عناصر الأونتولوجيا للقطعة النصية الحالية.

**التنفيذ**:
يقوم مُحدد الأونتولوجيا بإجراء مطابقة دلالية بين أجزاء النص وعناصر الأونتولوجيا باستخدام بحث تشابه متجهات FAISS. لكل جملة من قطعة النص، يقوم بإنشاء تضمين والبحث في مخزن المتجهات عن عناصر الأونتولوجيا الأكثر تشابهًا باستخدام تشابه جيب التمام مع حد عتبة قابل للتكوين (افتراضي 0.3). بعد جمع جميع العناصر ذات الصلة، يقوم بإجراء تحليل شامل للتبعيات: إذا تم تحديد فئة، يتم تضمين الفئات الأصلية؛ إذا تم تحديد خاصية، تتم إضافة الفئات النطاق والنطاق. بالإضافة إلى ذلك، لكل فئة محددة، فإنه يتضمن تلقائيًا **جميع الخصائص التي تشير إلى تلك الفئة** في نطاقها أو نطاقها. يضمن ذلك أن عملية الاستخراج لديها إمكانية الوصول إلى جميع خصائص العلاقة ذات الصلة.

**العمليات الرئيسية**:
إنشاء تضمينات لكل جزء نصي (جمل)
إجراء بحث أقرب جار في مخزن المتجهات FAISS (top_k=10، threshold=0.3)
تطبيق حد التشابه لتصفية التطابقات الضعيفة
حل التبعيات (الفئات الأصلية، النطاقات، المجالات)
**إضافة تلقائيًا جميع الخصائص المتعلقة بالفئات المحددة** (مطابقة المجال/النطاق)
إنشاء مجموعة فرعية متماسكة من علم الأنطولوجيا مع جميع العلاقات المطلوبة
إزالة العناصر المكررة التي تظهر عدة مرات

**موقع التنفيذ**: `trustgraph-flow/trustgraph/extract/kg/ontology/ontology_selector.py`

#### 5. بناء المطالبات (Prompt Construction)

**الغرض**: إنشاء مطالبات منظمة توجه نموذج اللغة الكبير (LLM) لاستخراج فقط الثلاثيات المتوافقة مع علم الأنطولوجيا.

**التنفيذ**:
تستخدم خدمة الاستخراج قالب Jinja2 يتم تحميله من `ontology-prompt.md` والذي يقوم بتنسيق مجموعة فرعية من علم الأنطولوجيا والنص لاستخراج LLM. يتكرر القالب ديناميكيًا عبر الفئات وخصائص الكائنات وخصائص البيانات باستخدام بناء جملة Jinja2، حيث يتم تقديم كل منها مع أوصافها، ومجالاتها، ونطاقاتها، وعلاقاتها الهرمية. تتضمن المطالبة قواعد صارمة لاستخدام عناصر علم الأنطولوجيا المقدمة فقط وتطلب تنسيق JSON للإخراج لسهولة التحليل.

**العمليات الرئيسية**:
استخدام قالب Jinja2 مع حلقات عبر عناصر علم الأنطولوجيا
تنسيق الفئات مع علاقات الأبوة (subclass_of) والتعليقات
تنسيق الخصائص مع قيود المجال/النطاق والتعليقات
تضمين قواعد استخراج صريحة ومتطلبات تنسيق الإخراج
استدعاء خدمة المطالبة باستخدام معرف القالب "extract-with-ontologies"

**موقع القالب**: `ontology-prompt.md`
**موقع التنفيذ**: `trustgraph-flow/trustgraph/extract/kg/ontology/extract.py` (طريقة build_extraction_variables)

#### 6. خدمة الاستخراج الرئيسية

**الغرض**: تنسيق جميع المكونات لأداء استخراج شامل قائم على علم الأنطولوجيا.

**التنفيذ**:
خدمة الاستخراج الرئيسية (KgExtractOntology) هي الطبقة التي تدير سير عمل الاستخراج بأكمله. إنها تستخدم نمط TrustGraph's FlowProcessor مع تهيئة المكونات الخاصة بكل تدفق. عندما يصل تحديث لتكوين علم الأنطولوجيا، فإنها تقوم بتهيئة أو تحديث المكونات الخاصة بالتدفق (محمل علم الأنطولوجيا، والمُضمّن، ومعالج النصوص، والمحدد). عندما يصل جزء نص للمعالجة، فإنها تنسق المسار: تقسيم النص إلى أجزاء، والعثور على عناصر علم الأنطولوجيا ذات الصلة من خلال البحث عن المتجهات، وإنشاء مطالبة مقيدة، واستدعاء خدمة المطالبة، وتحليل الاستجابة والتحقق من صحتها، وإنشاء ثلاثيات تعريف علم الأنطولوجيا، وإخراج كل من ثلاثيات المحتوى وسياقات الكيانات.

**مسار الاستخراج**:
1. استقبال جزء نص عبر قائمة الانتظار chunks-input
2. تهيئة مكونات التدفق إذا لزم الأمر (في أول جزء أو عند تحديث التكوين)
3. تقسيم النص إلى جمل باستخدام NLTK
4. البحث في مخزن المتجهات FAISS للعثور على مفاهيم علم الأنطولوجيا ذات الصلة
5. بناء مجموعة فرعية من علم الأنطولوجيا مع إضافة تلقائي للخصائص
6. إنشاء متغيرات مطالبة من قالب Jinja2
7. استدعاء خدمة المطالبة باستخدام قالب extract-with-ontologies
8. تحليل استجابة JSON إلى ثلاثيات منظمة
9. التحقق من صحة الثلاثيات وتوسيع معرفات الموارد الموحدة (URIs) إلى معرفات موارد موحدة كاملة لعلم الأنطولوجيا
10. إنشاء ثلاثيات تعريف علم الأنطولوجيا (الفئات والخصائص مع التسميات والتعليقات والمجالات والنطاقات)
11. بناء سياقات الكيانات من جميع الثلاثيات
12. الإخراج إلى قوائم الانتظار triples و entity-contexts

**الميزات الرئيسية**:
مخازن متجهات خاصة بكل تدفق تدعم نماذج تضمين مختلفة
تحديثات علم الأنطولوجيا المستندة إلى الأحداث عبر قائمة الانتظار config-update
توسيع تلقائي لمعرفات الموارد الموحدة باستخدام معرفات موارد موحدة لعلم الأنطولوجيا
إضافة عناصر علم الأنطولوجيا إلى الرسم البياني للمعرفة مع بيانات التعريف الكاملة
تتضمن سياقات الكيانات عناصر المحتوى وعناصر علم الأنطولوجيا

**موقع التنفيذ**: `trustgraph-flow/trustgraph/extract/kg/ontology/extract.py`

### التكوين

تستخدم الخدمة نهج التكوين القياسي لـ TrustGraph مع وسيطات سطر الأوامر:

```bash
kg-extract-ontology \
  --id kg-extract-ontology \
  --pulsar-host localhost:6650 \
  --input-queue chunks \
  --config-input-queue config-update \
  --output-queue triples \
  --entity-contexts-output-queue entity-contexts
```

**المعلمات الأساسية للتكوين**:
`similarity_threshold`: 0.3 (افتراضي، يمكن تكوينه في الكود)
`top_k`: 10 (عدد عناصر الأونطولوجيا التي يتم استرجاعها لكل جزء)
`vector_store`: فهرس FAISS FlatIP لكل تدفق مع أبعاد يتم اكتشافها تلقائيًا
`text_processor`: NLTK مع تجزئة الجمل punkt_tab
`prompt_template`: "extract-with-ontologies" (قالب Jinja2)

**تكوين الأونطولوجيا**:
يتم تحميل الأونطولوجيات ديناميكيًا عبر قائمة انتظار التحديثات (config-update) من النوع "ontology".

### تدفق البيانات

1. **مرحلة التهيئة** (لكل تدفق):
   استقبال تكوين الأونطولوجيا عبر قائمة انتظار التحديثات.
   تحليل كائن JSON للأونطولوجيا إلى كائنات OntologyClass و OntologyProperty.
   إنشاء تضمينات لجميع عناصر الأونطولوجيا باستخدام EmbeddingsClientSpec.
   تخزين التضمينات في مخزن متجه FAISS الخاص بكل تدفق.
   اكتشاف أبعاد التضمين تلقائيًا من الاستجابة الأولى.

2. **مرحلة الاستخراج** (لكل جزء):
   استقبال جزء من قائمة انتظار chunks-input.
   تقسيم الجزء إلى جمل باستخدام NLTK.
   حساب تضمينات لكل جملة.
   البحث في مخزن المتجهات FAISS عن عناصر الأونطولوجيا ذات الصلة.
   إنشاء مجموعة فرعية من الأونطولوجيا مع تضمين تلقائي للخصائص.
   إنشاء متغيرات قالب Jinja2 مع النص والأونطولوجيا.
   استدعاء خدمة المطالبة باستخدام قالب extract-with-ontologies.
   تحليل استجابة JSON والتحقق من صحة الثلاثيات.
   توسيع الروابط باستخدام روابط الأونطولوجيا.
   إنشاء ثلاثيات تعريف الأونطولوجيا.
   إنشاء سياقات الكيانات من جميع الثلاثيات.
   الإخراج إلى قوائم انتظار triples و entity-contexts.

### مخزن المتجهات في الذاكرة

**الغرض**: يوفر بحث سريع قائم على الذاكرة عن طريق تشابه للعثور على تطابقات لعناصر الأونطولوجيا.

**التنفيذ: FAISS**

يستخدم النظام **FAISS (Facebook AI Similarity Search)** مع IndexFlatIP للبحث الدقيق عن التشابه بناءً على الجيب التمامي. الميزات الرئيسية:

**IndexFlatIP**: بحث دقيق عن التشابه بناءً على الجيب التمامي باستخدام الضرب الداخلي.
**الاكتشاف التلقائي**: يتم تحديد البعد من استجابة التضمين الأولى.
**مخازن خاصة بكل تدفق**: يحتوي كل تدفق على مخزن متجه مستقل لنماذج تضمين مختلفة.
**التطبيع**: يتم تطبيع جميع المتجهات قبل الفهرسة.
**عمليات الدفعات**: إضافة دفعات فعالة للتحميل الأولي للأونطولوجيا.

**موقع التنفيذ**: `trustgraph-flow/trustgraph/extract/kg/ontology/vector_store.py`

### خوارزمية اختيار المجموعة الفرعية من الأونطولوجيا

**الغرض**: يختار ديناميكيًا الجزء ذي الصلة الأدنى لكل جزء نصي.

**خطوات الخوارزمية التفصيلية**:

1. **تقسيم النص**:
   تقسيم الجزء المدخل إلى جمل باستخدام اكتشاف الجملة الخاص بمعالجة اللغة الطبيعية.
   استخراج العبارات الاسمية وعبارات الأفعال والكيانات المسماة من كل جملة.
   إنشاء هيكل هرمي من الأجزاء مع الحفاظ على السياق.

2. **إنشاء التضمينات**:
   إنشاء تضمينات متجهة لكل جزء نصي (جمل وعبارات).
   استخدم نفس نموذج التضمين المستخدم لعناصر الأونطولوجيا.
   تخزين التضمينات للأجزاء المتكررة لتحسين الأداء.

3. **بحث عن التشابه**:
   لكل تضمين جزء نصي، ابحث في مخزن المتجهات.
   استرجع أفضل k (مثل 10) من عناصر الأونطولوجيا الأكثر تشابهًا.
   تطبيق عتبة التشابه (مثل 0.7) لتصفية التطابقات الضعيفة.
   تجميع النتائج عبر جميع الأجزاء، مع تتبع ترددات التطابقات.

4. **حل التبعيات**:
   لكل فئة محددة، قم بتضمين جميع الفئات الأصلية بشكل متكرر حتى الجذر.
   لكل خاصية محددة، قم بتضمين الفئات الخاصة بالنطاق والنطاق.
   بالنسبة للخصائص العكسية، تأكد من تضمين كلا الاتجاهين.
   أضف الفئات المكافئة إذا كانت موجودة في الأونطولوجيا.

5. **إنشاء المجموعة الفرعية**:
   إزالة العناصر المكررة مع الحفاظ على العلاقات.
   تنظيمها في فئات وخصائص كائن وخصائص بيانات.
   تأكد من الحفاظ على جميع القيود والعلاقات.
   إنشاء أونطولوجيا مصغرة مكتفية بذاتها وصالحة وكاملة.

**شرح تفصيلي**:
بالنظر إلى النص: "The brown dog chased the white cat up the tree."
الأجزاء: ["brown dog", "white cat", "tree", "chased"]
العناصر المتطابقة: [dog (class), cat (class), animal (parent), chases (property)]
التبعيات: [animal (parent of dog and cat), lifeform (parent of animal)]
المجموعة الفرعية النهائية: أونطولوجيا مصغرة كاملة مع تسلسل هرمي للحيوانات وعلاقة المطاردة.

### التحقق من صحة الثلاثيات

**الغرض**: يضمن أن جميع الثلاثيات المستخرجة تتوافق بشكل صارم مع قيود الأونطولوجيا.

**خوارزمية التحقق**:

1. **التحقق من الفئة (Class Validation)**:
   التحقق من أن الكيانات هي مثيلات للفئات المحددة في مجموعة الأنطولوجيا.
   بالنسبة لخصائص الكائنات، التحقق من أن الكائنات هي أيضًا مثيلات صالحة للفئات.
   التحقق من أسماء الفئات مقابل قاموس الفئات في الأنطولوجيا.
   التعامل مع التسلسلات الهرمية للفئات - تعتبر مثيلات الفئات الفرعية صالحة لقيود الفئة الأصل.

2. **التحقق من الخاصية (Property Validation)**:
   التأكد من أن الرأس (predicate) يتوافق مع الخصائص في مجموعة الأنطولوجيا.
   التمييز بين خصائص الكائنات (من كيان إلى كيان) وخصائص البيانات (من كيان إلى حرفي).
   التحقق من أن أسماء الخصائص تتطابق تمامًا (مع الأخذ في الاعتبار مساحة الاسم إذا كانت موجودة).

3. **التحقق من النطاق/المدى (Domain/Range Checking)**:
   لكل خاصية مستخدمة كرأس، استرجاع النطاق والمدى الخاص بها.
   التحقق من أن نوع الكيان يطابق أو يرث من نطاق الخاصية.
   التحقق من أن نوع الكائن يطابق أو يرث من مدى الخاصية.
   بالنسبة لخصائص البيانات، التحقق من أن الكائن هو حرفي من النوع XSD الصحيح.

4. **التحقق من التعددية (Cardinality Validation)**:
   تتبع عدد مرات استخدام الخاصية لكل كيان.
   التحقق من الحد الأدنى للتعددية - التأكد من وجود الخصائص المطلوبة.
   التحقق من الحد الأقصى للتعددية - التأكد من عدم استخدام الخاصية مرات عديدة جدًا.
   بالنسبة للخصائص الوظيفية، التأكد من وجود قيمة واحدة على الأكثر لكل كيان.

5. **التحقق من نوع البيانات (Datatype Validation)**:
   تحليل القيم الحرفية وفقًا لأنواع XSD المعلنة الخاصة بها.
   التحقق من أن الأعداد الصحيحة هي أرقام صالحة، وأن التواريخ منسقة بشكل صحيح، وما إلى ذلك.
   التحقق من أنماط السلاسل النصية إذا تم تعريف قيود regex.
   التأكد من أن عناوين URI ذات تنسيق صحيح لأنواع xsd:anyURI.

**مثال على التحقق (Validation Example)**:
ثلاثية: ("Buddy", "has-owner", "John")
التحقق من أن "Buddy" مصنف على أنه فئة يمكن أن تحتوي على خاصية "has-owner".
التحقق من وجود "has-owner" في الأنطولوجيا.
التحقق من قيد النطاق: يجب أن يكون نوع الكيان هو "Pet" أو فئة فرعية.
التحقق من قيد المدى: يجب أن يكون نوع الكائن هو "Person" أو فئة فرعية.
إذا كان الأمر صالحًا، قم بإضافته إلى الإخراج؛ إذا كان غير صالح، قم بتسجيل الانتهاك وتجاهله.

## اعتبارات الأداء (Performance Considerations)

### استراتيجيات التحسين (Optimisation Strategies)

1. **التخزين المؤقت للتضمين (Embedding Caching)**: تخزين التضمينات لأجزاء النص المستخدمة بشكل متكرر.
2. **المعالجة الدفعية (Batch Processing)**: معالجة أجزاء متعددة بالتوازي.
3. **فهرسة مخزن المتجهات (Vector Store Indexing)**: استخدم خوارزميات أقرب جار تقريبي للأنطولوجيات الكبيرة.
4. **تحسين المطالبة (Prompt Optimisation)**: قلل من حجم المطالبة عن طريق تضمين عناصر الأنطولوجيا الأساسية فقط.
5. **تخزين نتائج مؤقت (Result Caching)**: تخزين نتائج الاستخراج لقطع متطابقة.

### قابلية التوسع (Scalability)

**التوسع الأفقي (Horizontal Scaling)**: مثيلات مستخرجة متعددة مع ذاكرة تخزين مؤقت للأنطولوجيا مشتركة.
**تقسيم الأنطولوجيا (Ontology Partitioning)**: تقسيم الأنطولوجيات الكبيرة حسب المجال.
**المعالجة المتدفقة (Streaming Processing)**: معالجة الأجزاء أثناء وصولها دون تجميعها.
**إدارة الذاكرة (Memory Management)**: تنظيف دوري للتضمينات غير المستخدمة.

## معالجة الأخطاء (Error Handling)

### سيناريوهات الفشل (Failure Scenarios)

1. **الأنطولوجيات المفقودة (Missing Ontologies)**: العودة إلى الاستخراج غير المقيد.
2. **فشل خدمة التضمين (Embedding Service Failure)**: استخدم التضمينات المخزنة مؤقتًا أو تخطى المطابقة الدلالية.
3. **انتهاء مهلة خدمة المطالبة (Prompt Service Timeout)**: أعد المحاولة باستخدام تأخير متزايد.
4. **تنسيق ثلاثي غير صالح (Invalid Triple Format)**: سجل وتجاهل الثلاثيات المشوهة.
5. **عدم اتساق الأنطولوجيا (Ontology Inconsistencies)**: الإبلاغ عن التعارضات واستخدام العناصر الصالحة الأكثر تحديدًا.

### المراقبة (Monitoring)

المقاييس الرئيسية التي يجب تتبعها:

وقت تحميل الأنطولوجيا واستهلاك الذاكرة.
زمن انتقال إنشاء التضمين.
أداء البحث عن المتجهات.
وقت استجابة خدمة المطالبة.
دقة استخراج الثلاثيات.
معدل توافق الأنطولوجيا.

## مسار الترحيل (Migration Path)

### من المستخرجات الحالية (From Existing Extractors)

1. **التشغيل بالتوازي (Parallel Operation)**: قم بتشغيله جنبًا إلى جنب مع المستخرجات الحالية في البداية.
2. **النشر التدريجي (Gradual Rollout)**: ابدأ بأنواع مستندات محددة.
3. **مقارنة الجودة (Quality Comparison)**: قارن جودة الإخراج مع المستخرجات الحالية.
4. **الترحيل الكامل (Full Migration)**: استبدل المستخرجات الحالية بمجرد التحقق من الجودة.

### تطوير الأنطولوجيا (Ontology Development)

1. **البدء من الموجود (Bootstrap from Existing)**: قم بإنشاء أنطولوجيات أولية من المعرفة الحالية.
2. **التحسين التكراري (Iterative Refinement)**: قم بتحسينها بناءً على أنماط الاستخراج.
3. **مراجعة الخبراء (Domain Expert Review)**: التحقق من صحتها مع خبراء الموضوع.
4. **التحسين المستمر (Continuous Improvement)**: قم بتحديثها بناءً على ملاحظات الاستخراج.

## خدمة الاستعلام الحساسة للأنطولوجيا (Ontology-Sensitive Query Service)

### نظرة عامة (Overview)

توفر خدمة الاستعلام الحساسة للأنطولوجيا مسارات استعلام متعددة لدعم أنواع مختلفة من قواعد البيانات.

**مكونات الخدمة**:
`onto-query-sparql`: يحول اللغة الطبيعية إلى SPARQL لقاعدة بيانات Cassandra.
`sparql-cassandra`: طبقة استعلام SPARQL لقاعدة بيانات Cassandra باستخدام rdflib.
`onto-query-cypher`: يحول اللغة الطبيعية إلى Cypher لقواعد بيانات الرسوم البيانية.
`cypher-executor`: تنفيذ استعلامات Cypher لـ Neo4j/Memgraph/FalkorDB.

### العمارة

```
                    ┌─────────────────┐
                    │   User Query    │
                    └────────┬────────┘
                             │
                             ▼
                    ┌─────────────────┐      ┌──────────────┐
                    │   Question      │────▶│   Sentence   │
                    │   Analyser      │      │   Splitter   │
                    └────────┬────────┘      └──────────────┘
                             │
                             ▼
                    ┌─────────────────┐      ┌──────────────┐
                    │   Ontology      │────▶│   Vector     │
                    │   Matcher       │      │    Store     │
                    └────────┬────────┘      └──────────────┘
                             │
                             ▼
                    ┌─────────────────┐
                    │ Backend Router  │
                    └────────┬────────┘
                             │
                 ┌───────────┴───────────┐
                 │                       │
                 ▼                       ▼
    ┌─────────────────┐          ┌─────────────────┐
    │ onto-query-     │          │ onto-query-     │
    │    sparql       │          │    cypher       │
    └────────┬────────┘          └────────┬────────┘
             │                            │
             ▼                            ▼
    ┌─────────────────┐          ┌─────────────────┐
    │   SPARQL        │          │   Cypher        │
    │  Generator      │          │  Generator      │
    └────────┬────────┘          └────────┬────────┘
             │                            │
             ▼                            ▼
    ┌─────────────────┐          ┌─────────────────┐
    │ sparql-         │          │ cypher-         │
    │ cassandra       │          │ executor        │
    └────────┬────────┘          └────────┬────────┘
             │                            │
             ▼                            ▼
    ┌─────────────────┐          ┌─────────────────┐
    │   Cassandra     │          │ Neo4j/Memgraph/ │
    │                 │          │   FalkorDB      │
    └────────┬────────┘          └────────┬────────┘
             │                            │
             └────────────┬───────────────┘
                          │
                          ▼
                 ┌─────────────────┐      ┌──────────────┐
                 │   Answer        │────▶│   Prompt     │
                 │  Generator      │      │   Service    │
                 └────────┬────────┘      └──────────────┘
                          │
                          ▼
                 ┌─────────────────┐
                 │  Final Answer   │
                 └─────────────────┘
```

### معالجة الاستعلامات (Query Processing Pipeline)

#### 1. محلل الأسئلة (Question Analyser)

**الغرض**: يقوم بتفكيك أسئلة المستخدم إلى مكونات دلالية لمطابقة الأنطولوجيا.

**وصف الخوارزمية**:
يقوم محلل الأسئلة بتحليل السؤال باللغة الطبيعية وتقسيمه إلى أجزاء ذات معنى باستخدام نفس طريقة تقسيم الجمل المستخدمة في مسار الاستخراج. يحدد الكيانات والعلاقات والقيود الرئيسية المذكورة في السؤال. يتم تحليل كل جزء لتحديد نوع السؤال (حقيقي، تجميعي، مقارنة، إلخ) والتنسيق المتوقع للإجابة. يساعد هذا التقسيم في تحديد الأجزاء الأكثر صلة من الأنطولوجيا للإجابة على السؤال.

**العمليات الرئيسية**:
تقسيم السؤال إلى جمل وعبارات
تحديد نوع السؤال والنية
استخراج الكيانات والعلاقات المذكورة
اكتشاف القيود والمرشحات في السؤال
تحديد التنسيق المتوقع للإجابة

#### 2. مُطابق الأنطولوجيا للاستعلامات (Ontology Matcher for Queries)

**الغرض**: يحدد مجموعة الأنطولوجيا ذات الصلة اللازمة للإجابة على السؤال.

**وصف الخوارزمية**:
مشابه لمُحدد الأنطولوجيا في مسار الاستخراج، ولكنه مُحسَّن للإجابة على الأسئلة. يقوم المُطابق بإنشاء تضمينات لأجزاء السؤال ويبحث في مستودع المتجهات عن عناصر الأنطولوجيا ذات الصلة. ومع ذلك، فإنه يركز على إيجاد المفاهيم التي ستكون مفيدة لبناء الاستعلامات بدلاً من الاستخراج. يقوم بتوسيع التحديد ليشمل الخصائص ذات الصلة التي قد يتم استكشافها أثناء استكشاف الرسم البياني، حتى لو لم يتم ذكرها صراحةً في السؤال. على سبيل المثال، إذا تم طرح سؤال حول "الموظفين"، فقد يتضمن خصائص مثل "يعمل لدى" و "يدير" و "يقدم تقارير إلى" والتي يمكن أن تكون ذات صلة للعثور على معلومات الموظفين.

**استراتيجية المطابقة**:
إنشاء تضمينات لأجزاء السؤال
العثور على مفاهيم الأنطولوجيا المذكورة بشكل مباشر
تضمين الخصائص التي تربط الفئات المذكورة
إضافة خصائص عكسية ومرتبطة للاستكشاف
تضمين الفئات الأبوية/الفرعية للاستعلامات الهرمية
بناء قسم الأنطولوجيا الموجه نحو الاستعلام

#### 3. موجه الواجهة الخلفية (Backend Router)

**الغرض**: يوجه الاستعلامات إلى مسار الاستعلام الخاص بالواجهة الخلفية المناسب بناءً على التكوين.

**وصف الخوارزمية**:
يقوم موجه الواجهة الخلفية بفحص تكوين النظام لتحديد الواجهة الخلفية للرسم البياني النشطة (Cassandra أو Cypher-based). يوجه السؤال وقسم الأنطولوجيا إلى خدمة إنشاء الاستعلامات المناسبة. يمكن للموجه أيضًا دعم موازنة التحميل عبر واجهات خلفية متعددة أو آليات احتياطية إذا كانت الواجهة الخلفية الأساسية غير متاحة.

**منطق التوجيه**:
التحقق من نوع الواجهة الخلفية المُكوَّن من إعدادات النظام
التوجيه إلى `onto-query-sparql` لواجهات خلفية Cassandra
التوجيه إلى `onto-query-cypher` لواجهات خلفية Neo4j/Memgraph/FalkorDB
دعم تكوينات متعددة الواجهات الخلفية مع توزيع الاستعلامات
التعامل مع سيناريوهات التعافي من الأعطال وموازنة التحميل

#### 4. إنشاء استعلام SPARQL (`onto-query-sparql`)

**الغرض**: يحول أسئلة اللغة الطبيعية إلى استعلامات SPARQL لتنفيذها على Cassandra.

**وصف الخوارزمية**:
يأخذ مُنشئ استعلام SPARQL السؤال وقسم الأنطولوجيا وينشئ استعلام SPARQL مُحسَّنًا للتنفيذ على الواجهة الخلفية Cassandra. يستخدم خدمة المطالبة بقالب مُخصص لـ SPARQL والذي يتضمن دلالات RDF/OWL. يفهم المُنشئ أنماط SPARQL مثل مسارات الخصائص والعبارات الاختيارية والمرشحات التي يمكن أن تترجم بكفاءة إلى عمليات Cassandra.

**قالب مطالبة إنشاء SPARQL**:
```
Generate a SPARQL query for the following question using the provided ontology.

ONTOLOGY CLASSES:
{classes}

ONTOLOGY PROPERTIES:
{properties}

RULES:
- Use proper RDF/OWL semantics
- Include relevant prefixes
- Use property paths for hierarchical queries
- Add FILTER clauses for constraints
- Optimise for Cassandra backend

QUESTION: {question}

SPARQL QUERY:
```

#### 5. توليد استعلامات Cypher (`onto-query-cypher`)

**الغرض**: تحويل الأسئلة بلغة طبيعية إلى استعلامات Cypher لقواعد البيانات الرسومية.

**وصف الخوارزمية**:
يقوم مُولِّد استعلامات Cypher بإنشاء استعلامات Cypher أصلية مُحسَّنة لـ Neo4j و Memgraph و FalkorDB. فهو يربط فئات علم الوجود بتسميات العقد والخصائص بعلاقات، باستخدام بناء جملة مطابقة الأنماط الخاص بـ Cypher. يتضمن المولد تحسينات خاصة بـ Cypher مثل تلميحات اتجاه العلاقة واستخدام الفهارس وتلميحات تخطيط الاستعلام.

**قالب المطالبة لتوليد Cypher**:
```
Generate a Cypher query for the following question using the provided ontology.

NODE LABELS (from classes):
{classes}

RELATIONSHIP TYPES (from properties):
{properties}

RULES:
- Use MATCH patterns for graph traversal
- Include WHERE clauses for filters
- Use aggregation functions when needed
- Optimise for graph database performance
- Consider index hints for large datasets

QUESTION: {question}

CYPHER QUERY:
```

#### 6. محرك الاستعلامات SPARQL-Cassandra (`sparql-cassandra`)

**الغرض**: ينفذ استعلامات SPARQL على Cassandra باستخدام مكتبة Python rdflib.

**وصف الخوارزمية**:
يقوم محرك SPARQL-Cassandra بتنفيذ معالج SPARQL باستخدام مكتبة rdflib الخاصة بـ Python مع مخزن خلفي مخصص لـ Cassandra. يقوم بترجمة أنماط الرسم البياني SPARQL إلى استعلامات CQL المناسبة لـ Cassandra، مع معالجة عمليات الربط والتصفية والتجميع. يحتفظ المحرك بخريطة من RDF إلى Cassandra تحافظ على البنية الدلالية مع تحسينها لتخزين Cassandra القائم على نماذج الأعمدة.

**ميزات التنفيذ**:
تطبيق واجهة rdflib Store لـ Cassandra.
دعم استعلامات SPARQL 1.1 مع الأنماط الشائعة.
ترجمة فعالة لأنماط الثلاثيات إلى CQL.
دعم مسارات الخصائص والاستعلامات الهرمية.
بث النتائج لمجموعات البيانات الكبيرة.
تجميع الاتصالات وتخزين الاستعلامات مؤقتًا.

**مثال للترجمة**:
```sparql
SELECT ?animal WHERE {
  ?animal rdf:type :Animal .
  ?animal :hasOwner "John" .
}
```
يترجم إلى استعلامات Cassandra مُحسّنة تستفيد من الفهارس ومفاتيح التقسيم.

#### 7. مُنفّذ استعلامات Cypher (`cypher-executor`)

**الغرض**: ينفذ استعلامات Cypher ضد Neo4j و Memgraph و FalkorDB.

**وصف الخوارزمية**:
يوفر مُنفّذ Cypher واجهة موحدة لتنفيذ استعلامات Cypher عبر قواعد بيانات الرسوم البيانية المختلفة. يتعامل مع بروتوكولات الاتصال الخاصة بقاعدة البيانات، وتلميحات تحسين الاستعلام، وتوحيد تنسيق النتائج. يتضمن المُنفّذ منطق إعادة المحاولة، وتجميع الاتصالات، وإدارة المعاملات المناسبة لكل نوع قاعدة بيانات.

**دعم قواعد بيانات متعددة**:
**Neo4j**: بروتوكول Bolt، ووظائف المعاملات، وتلميحات الفهرسة.
**Memgraph**: بروتوكول مخصص، ونتائج متدفقة، واستعلامات تحليلية.
**FalkorDB**: تكييف بروتوكول Redis، وتحسينات الذاكرة.

**ميزات التنفيذ**:
إدارة اتصالات مستقلة عن قاعدة البيانات.
التحقق من صحة الاستعلام وفحص بناء الجملة.
فرض حدود المهلة والموارد.
تقسيم النتائج وتدفقها.
مراقبة الأداء لكل نوع قاعدة بيانات.
التبديل التلقائي بين مثيلات قاعدة البيانات.

#### 8. مُولّد الإجابات

**الغرض**: يجمع إجابة بلغة طبيعية من نتائج الاستعلام.

**وصف الخوارزمية**:
يأخذ مُولّد الإجابات النتائج المنظمة للاستعلام والسؤال الأصلي، ثم يستخدم خدمة المطالبة لإنشاء إجابة شاملة. على عكس الاستجابات القائمة على القوالب البسيطة، فإنه يستخدم نموذج لغة كبير (LLM) لتفسير بيانات الرسم البياني في سياق السؤال، والتعامل مع العلاقات المعقدة، والتجميعات، والاستدلالات. يمكن للمولد شرح منطقه من خلال الرجوع إلى هيكل علم الوجود والعبارات الثلاثية المحددة المستخرجة من الرسم البياني.

**عملية توليد الإجابات**:
تنسيق نتائج الاستعلام في سياق منظم.
تضمين تعريفات علم الوجود ذات الصلة من أجل الوضوح.
إنشاء مطالبة مع السؤال والنتائج.
إنشاء إجابة بلغة طبيعية عبر نموذج لغة كبير.
التحقق من صحة الإجابة مقابل نية الاستعلام.
إضافة اقتباسات إلى كيانات الرسم البياني المحددة إذا لزم الأمر.

### التكامل مع الخدمات الحالية

#### العلاقة مع GraphRAG

**تكميلية**: توفر onto-query دقة دلالية بينما توفر GraphRAG تغطية واسعة.
**بنية تحتية مشتركة**: يستخدم كلاهما نفس الرسم البياني للمعرفة وخدمات المطالبة.
**توجيه الاستعلامات**: يمكن للنظام توجيه الاستعلامات إلى الخدمة الأكثر ملاءمة بناءً على نوع السؤال.
**الوضع الهجين**: يمكن الجمع بين كلا النهجين للحصول على إجابات شاملة.

#### العلاقة مع استخراج OntoRAG

**علم الوجود المشترك**: يستخدم نفس تكوينات علم الوجود التي يتم تحميلها بواسطة kg-extract-ontology.
**مخزن المتجهات المشترك**: يعيد استخدام التضمينات الموجودة في الذاكرة من خدمة الاستخراج.
**دلالات متسقة**: تعمل الاستعلامات على الرسوم البيانية التي تم إنشاؤها بنفس القيود الدلالية.

### أمثلة الاستعلامات

#### المثال 1: استعلام بسيط عن الكيان
**السؤال**: "ما هي الحيوانات التي تعتبر ثدييات؟"
**تطابق علم الوجود**: [حيوان، ثديي، subClassOf]
**الاستعلام الذي تم إنشاؤه**:
```cypher
MATCH (a:animal)-[:subClassOf*]->(m:mammal)
RETURN a.name
```

#### مثال 2: استعلام عن العلاقة
**السؤال**: "ما هي المستندات التي كتبها جون سميث؟"
**مطابقة علم الوجود**: [مستند، شخص، له-مؤلف]
**الاستعلام الناتج**:
```cypher
MATCH (d:document)-[:has-author]->(p:person {name: "John Smith"})
RETURN d.title, d.date
```

#### مثال 3: استعلام التجميع
**السؤال**: "كم عدد أرجل القطط؟"
**مطابقة علم المفاهيم**: [قطة، عدد الأرجل (خاصية بيانات)]
**الاستعلام الناتج**:
```cypher
MATCH (c:cat)
RETURN c.name, c.number_of_legs
```

### التكوين

```yaml
onto-query:
  embedding_model: "text-embedding-3-small"
  vector_store:
    shared_with_extractor: true  # Reuse kg-extract-ontology's store
  query_builder:
    model: "gpt-4"
    temperature: 0.1
    max_query_length: 1000
  graph_executor:
    timeout: 30000  # ms
    max_results: 1000
  answer_generator:
    model: "gpt-4"
    temperature: 0.3
    max_tokens: 500
```

### التحسينات في الأداء

#### تحسين الاستعلام

**تقليم علم الأنطولوجيا**: قم بتضمين عناصر علم الأنطولوجيا الضرورية فقط في المطالبات.
**تخزين مؤقت للاستعلامات**: قم بتخزين الأسئلة المتكررة والاستعلامات الخاصة بها مؤقتًا.
**تخزين مؤقت للنتائج**: قم بتخزين النتائج للاستعلامات المتطابقة ضمن إطار زمني.
**المعالجة الدفعية**: تعامل مع أسئلة متعددة ذات صلة في عبور رسم بياني واحد.

#### اعتبارات قابلية التوسع

**التنفيذ الموزع**: قم بتوازي الاستعلامات الفرعية عبر أقسام الرسم البياني.
**النتائج التدريجية**: قم بتدفق النتائج لمجموعات البيانات الكبيرة.
**موازنة التحميل**: وزّع حمل الاستعلام عبر مثيلات خدمة متعددة.
**مجموعات الموارد**: قم بإدارة مجموعات الاتصال بقواعد بيانات الرسم البياني.

### معالجة الأخطاء

#### سيناريوهات الفشل

1. **توليد استعلام غير صالح**: التراجع إلى GraphRAG أو البحث عن الكلمات الرئيسية البسيطة.
2. **عدم تطابق علم الأنطولوجيا**: قم بتوسيع البحث ليشمل مجموعة فرعية أوسع من علم الأنطولوجيا.
3. **انتهاء مهلة الاستعلام**: قم بتبسيط الاستعلام أو زيادة المهلة.
4. **نتائج فارغة**: اقترح إعادة صياغة الاستعلام أو أسئلة ذات صلة.
5. **فشل خدمة LLM**: استخدم الاستعلامات المخزنة مؤقتًا أو الاستجابات المستندة إلى القوالب.

### مقاييس المراقبة

توزيع تعقيد الأسئلة.
أحجام أقسام علم الأنطولوجيا.
معدل نجاح توليد الاستعلام.
وقت تنفيذ استعلام الرسم البياني.
درجات جودة الإجابة.
معدلات الإصابة في ذاكرة التخزين المؤقت.
ترددات الأخطاء حسب النوع.

## التحسينات المستقبلية

1. **تعلم علم الأنطولوجيا**: قم بتوسيع علم الأنطولوجيا تلقائيًا بناءً على أنماط الاستخراج.
2. **تسجيل الثقة**: قم بتعيين درجات ثقة للثلاثيات المستخرجة.
3. **توليد الشرح**: قم بتوفير التفسير لعملية استخراج الثلاثيات.
4. **التعلم النشط**: اطلب التحقق البشري للاستخراج غير المؤكد.

## اعتبارات الأمان

1. **منع حقن المطالبات**: قم بتنظيف نص الكتلة قبل إنشاء المطالبة.
2. **حدود الموارد**: حد من استخدام الذاكرة لمخزن المتجهات.
3. **تحديد المعدل**: حد من طلبات الاستخراج لكل عميل.
4. **تسجيل التدقيق**: تتبع جميع طلبات الاستخراج والنتائج.

## استراتيجية الاختبار

### اختبار الوحدة

مُحمِّل علم الأنطولوجيا بتنسيقات مختلفة.
توليد المتجهات وتخزينها.
خوارزميات تقسيم الجمل.
حسابات التشابه المتجهي.
تحليل الثلاثيات والتحقق من صحتها.

### اختبار التكامل

مسار استخراج شامل.
تكامل خدمة التكوين.
تفاعل خدمة المطالبة.
معالجة الاستخراج المتزامن.

### اختبار الأداء

التعامل مع علم الأنطولوجيا الكبيرة (1000+ فئة).
معالجة دفعية عالية الحجم.
استخدام الذاكرة تحت الحمل.
معايير زمن الوصول.

## خطة التسليم

### نظرة عامة

سيتم تسليم نظام OntoRAG في أربع مراحل رئيسية، حيث توفر كل مرحلة قيمة متزايدة مع بناء النظام بأكمله. تركز الخطة على إنشاء إمكانات الاستخراج الأساسية أولاً، ثم إضافة وظائف الاستعلام، متبوعة بالتحسينات والميزات المتقدمة.

### المرحلة 1: الأساس والاستخراج الأساسي

**الهدف**: إنشاء مسار استخراج أساسي مدفوع بعلم الأنطولوجيا مع مطابقة بسيطة للمتجهات.

#### الخطوة 1.1: أساس إدارة علم الأنطولوجيا
تنفيذ مُحمِّل تكوين علم الأنطولوجيا (`OntologyLoader`).
تحليل بنى JSON الخاصة بعلم الأنطولوجيا والتحقق من صحتها.
إنشاء تخزين علم الأنطولوجيا في الذاكرة وأنماط الوصول.
تنفيذ آلية تحديث علم الأنطولوجيا.

**معايير النجاح**:
تحميل وتحليل تكوينات علم الأنطولوجيا بنجاح.
التحقق من صحة بنية علم الأنطولوجيا واتساقها.
التعامل مع العديد من علم الأنطولوجيا المتزامنة.

#### الخطوة 1.2: تنفيذ مستودع المتجهات
تنفيذ مستودع متجهات بسيط يعتمد على NumPy كنموذج أولي أولي.
إضافة تطبيق مستودع متجهات FAISS.
إنشاء تجريد واجهة مستودع المتجهات.
تنفيذ البحث عن التشابه مع تحديد العتبات القابلة للتكوين.

**معايير النجاح**:
تخزين واسترجاع التضمينات بكفاءة.
إجراء بحث عن التشابه مع زمن انتقال أقل من 100 مللي ثانية.
دعم كل من الواجهات الخلفية NumPy و FAISS.

#### الخطوة 1.3: مسار تضمين علم المفاهيم.
التكامل مع خدمة التضمين.
تنفيذ المكون `OntologyEmbedder`.
إنشاء تضمينات لجميع عناصر علم المفاهيم.
تخزين التضمينات مع البيانات الوصفية في مخزن المتجهات.

**معايير النجاح**:
إنشاء تضمينات للفئات والخصائص.
تخزين التضمينات مع البيانات الوصفية المناسبة.
إعادة بناء التضمينات عند تحديث علم المفاهيم.

#### الخطوة 1.4: مكونات معالجة النصوص.
تنفيذ أداة تقسيم الجمل باستخدام NLTK/spaCy.
استخراج العبارات والكيانات المسماة.
إنشاء تسلسل هرمي لشرائح النصوص.
إنشاء تضمينات لشرائح النصوص.

**معايير النجاح**:
تقسيم النصوص بدقة إلى جمل.
استخراج عبارات ذات معنى.
الحفاظ على علاقات السياق.

#### الخطوة 1.5: خوارزمية اختيار علم المفاهيم.
تنفيذ مطابقة التشابه بين النصوص وعلم المفاهيم.
بناء حل لتبعيات عناصر علم المفاهيم.
إنشاء مجموعات فرعية متماسكة من علم المفاهيم.
تحسين أداء إنشاء المجموعة الفرعية.

**معايير النجاح**:
تحديد عناصر علم المفاهيم ذات الصلة بدقة >80%.
تضمين جميع التبعيات اللازمة.
إنشاء مجموعات فرعية في <500 مللي ثانية.

#### الخطوة 1.6: خدمة الاستخراج الأساسية.
تنفيذ بناء المطالبات للاستخراج.
التكامل مع خدمة المطالبات.
تحليل والتحقق من صحة استجابات الثلاثيات.
إنشاء نقطة نهاية الخدمة `kg-extract-ontology`.

**معايير النجاح**:
استخراج ثلاثيات متوافقة مع علم المفاهيم.
التحقق من صحة جميع الثلاثيات مقابل علم المفاهيم.
التعامل مع أخطاء الاستخراج بأمان.

### المرحلة 2: تنفيذ نظام الاستعلام.

**الهدف**: إضافة إمكانات استعلام واعية بعلم المفاهيم مع دعم واجهات خلفية متعددة.

#### الخطوة 2.1: مكونات أساسية للاستعلام.
تنفيذ محلل الأسئلة.
إنشاء مُطابق لعلم المفاهيم للاستعلامات.
تكييف بحث المتجهات لسياق الاستعلام.
بناء مكون توجيه الواجهة الخلفية.

**معايير النجاح**:
تحليل الأسئلة إلى مكونات دلالية.
مطابقة الأسئلة مع عناصر علم المفاهيم ذات الصلة.
توجيه الاستعلامات إلى الواجهة الخلفية المناسبة.

#### الخطوة 2.2: تنفيذ مسار SPARQL.
تنفيذ الخدمة `onto-query-sparql`.
إنشاء مُولد استعلامات SPARQL باستخدام LLM.
تطوير قوالب المطالبات لإنشاء SPARQL.
التحقق من صحة بناء جملة SPARQL الذي تم إنشاؤه.

**معايير النجاح**:
إنشاء استعلامات SPARQL صالحة.
استخدام أنماط SPARQL المناسبة.
التعامل مع أنواع الاستعلامات المعقدة.

#### الخطوة 2.3: محرك SPARQL-Cassandra.
تنفيذ واجهة تخزين rdflib لـ Cassandra.
إنشاء مترجم استعلامات CQL.
تحسين مطابقة أنماط الثلاثيات.
التعامل مع تنسيق نتائج SPARQL.

**معايير النجاح**:
تنفيذ استعلامات SPARQL على Cassandra.
دعم أنماط SPARQL الشائعة.
إرجاع النتائج بالتنسيق القياسي.

#### الخطوة 2.4: تنفيذ مسار Cypher.
تنفيذ الخدمة `onto-query-cypher`.
إنشاء مُولد استعلامات Cypher باستخدام LLM.
تطوير قوالب المطالبات لإنشاء Cypher.
التحقق من صحة بناء جملة Cypher الذي تم إنشاؤه.

**معايير النجاح**:
إنشاء استعلامات Cypher صالحة.
استخدام أنماط الرسم البياني المناسبة.
دعم Neo4j و Memgraph و FalkorDB.

#### الخطوة 2.5: منفذ Cypher.
تنفيذ مُنفِّذ Cypher متعدد قواعد البيانات.
دعم بروتوكول Bolt (Neo4j/Memgraph).
دعم بروتوكول Redis (FalkorDB).
التعامل مع التطبيع (Normalization) للنتائج.

**معايير النجاح**:
تنفيذ Cypher على جميع قواعد البيانات المستهدفة.
التعامل مع الاختلافات الخاصة بقواعد البيانات.
الحفاظ على كفاءة مجموعات الاتصال (Connection Pools).

#### الخطوة 2.6: توليد الإجابات.
تنفيذ مكون توليد الإجابات.
إنشاء مطالبات (Prompts) لتوليف الإجابات.
تنسيق نتائج الاستعلامات للاستهلاك بواسطة نماذج اللغة الكبيرة (LLM).
توليد إجابات بلغة طبيعية.

**معايير النجاح**:
توليد إجابات دقيقة من نتائج الاستعلامات.
الحفاظ على السياق من السؤال الأصلي.
تقديم استجابات واضحة وموجزة.

### المرحلة 3: التحسين والمرونة.

**الهدف**: تحسين الأداء، وإضافة التخزين المؤقت (Caching)، وتحسين معالجة الأخطاء، وتعزيز الموثوقية.

#### الخطوة 3.1: تحسين الأداء.
تنفيذ تخزين مؤقت للتضمينات (Embeddings).
إضافة تخزين مؤقت لنتائج الاستعلامات.
تحسين البحث عن المتجهات باستخدام فهارس FAISS IVF.
تنفيذ معالجة الدُفعات (Batch Processing) للتضمينات.

**معايير النجاح**:
تقليل متوسط زمن الاستجابة للاستعلام بنسبة 50٪.
دعم 10 أضعاف عدد الطلبات المتزامنة.
الحفاظ على أوقات استجابة أقل من ثانية واحدة.

#### الخطوة 3.2: معالجة متقدمة للأخطاء.
تنفيذ استعادة شاملة للأخطاء.
إضافة آليات احتياطية بين مسارات الاستعلام.
إنشاء منطق إعادة المحاولة مع تأخير أسي (Exponential Backoff).
تحسين تسجيل الأخطاء والتشخيص.

**معايير النجاح**:
التعامل بأمان مع جميع سيناريوهات الفشل.
التبديل التلقائي بين الواجهات الخلفية (Backends).
تقديم تقارير تفصيلية عن الأخطاء لتصحيح الأخطاء.

#### الخطوة 3.3: المراقبة وقابلية الملاحظة (Observability).
إضافة جمع مقاييس الأداء.
تنفيذ تتبع الاستعلامات.
إنشاء نقاط فحص صحة (Health Check Endpoints).
إضافة مراقبة استخدام الموارد.

**معايير النجاح**:
تتبع جميع مؤشرات الأداء الرئيسية.
تحديد الاختناقات بسرعة.
مراقبة صحة النظام في الوقت الفعلي.

#### الخطوة 3.4: إدارة التكوين (Configuration).
تنفيذ تحديثات ديناميكية للتكوين.
إضافة التحقق من صحة التكوين.
إنشاء قوالب تكوين.
دعم الإعدادات الخاصة بالبيئة.

**معايير النجاح**:
تحديث التكوين دون إعادة التشغيل.
التحقق من صحة جميع تغييرات التكوين.
دعم بيئات نشر متعددة.

### المرحلة 4: الميزات المتقدمة.

**الهدف**: إضافة قدرات متطورة للنشر في بيئة الإنتاج وتعزيز الوظائف.

#### الخطوة 4.1: دعم متعدد الأبعاد (Multi-Ontology).
تنفيذ منطق اختيار الأبعاد.
دعم الاستعلامات عبر الأبعاد.
التعامل مع إصدارات الأبعاد.
إنشاء قدرات دمج الأبعاد.

**معايير النجاح**:
الاستعلام عبر أبعاد متعددة.
التعامل مع تعارضات الأبعاد.
دعم تطور الأبعاد.

#### الخطوة 4.2: توجيه استعلامات ذكي.
تنفيذ التوجيه بناءً على الأداء
إضافة تحليل لتعقيد الاستعلام
إنشاء خوارزميات توجيه تكيفية
دعم اختبار A/B لمسارات التوجيه

**معايير النجاح**:
توجيه الاستعلامات بشكل مثالي
التعلم من أداء الاستعلام
تحسين التوجيه بمرور الوقت

#### الخطوة 4.3: ميزات الاستخراج المتقدمة
إضافة تقييم مستوى الثقة للمجموعات الثلاثية
تنفيذ توليد الشروحات
إنشاء حلقات ردود فعل للتحسين
دعم التعلم التدريجي

**معايير النجاح**:
توفير درجات الثقة
شرح قرارات الاستخراج
تحسين الدقة باستمرار

#### الخطوة 4.4: تعزيز الإنتاج
إضافة تحديد المعدل
تنفيذ المصادقة/التفويض
إنشاء أتمتة النشر
إضافة النسخ الاحتياطي والاستعادة

**معايير النجاح**:
أمان جاهز للإنتاج
مسار نشر آلي
قدرة على التعافي من الكوارث

### مراحل التسليم

1. **المرحلة الأولى** (نهاية المرحلة 1): استخراج قائم على علم الوجود ويعمل بشكل أساسي
2. **المرحلة الثانية** (نهاية المرحلة 2): نظام استعلام كامل مع مسارات SPARQL و Cypher
3. **المرحلة الثالثة** (نهاية المرحلة 3): نظام مُحسَّن وموثوق به وجاهز للمرحلة التجريبية
4. **المرحلة الرابعة** (نهاية المرحلة 4): نظام جاهز للإنتاج مع ميزات متقدمة

### تخفيف المخاطر

#### المخاطر الفنية
**قابلية توسع مخزن المتجهات**: ابدأ بـ NumPy، وانتقل تدريجيًا إلى FAISS
**دقة توليد الاستعلامات**: تنفيذ آليات التحقق والحلول البديلة
**توافق الواجهة الخلفية**: الاختبار بشكل مكثف مع كل نوع قاعدة بيانات
**عقبات الأداء**: التحليل المبكر والمتكرر، والتحسين بشكل تكراري

#### المخاطر التشغيلية
**جودة علم الوجود**: تنفيذ التحقق من الصحة والاتساق
**تبعيات الخدمة**: إضافة قواطع الدائرة والحلول البديلة
**قيود الموارد**: المراقبة وتعيين الحدود المناسبة
**اتساق البيانات**: تنفيذ معالجة المعاملات المناسبة

### مقاييس النجاح

#### مقاييس نجاح المرحلة الأولى
دقة الاستخراج: >90% من التوافق مع علم الوجود
سرعة المعالجة: <1 ثانية لكل جزء
وقت تحميل علم الوجود: <10 ثوانٍ
زمن استجابة البحث عن المتجهات: <100 مللي ثانية

#### مقاييس نجاح المرحلة الثانية
معدل نجاح الاستعلام: >95%
زمن استجابة الاستعلام: <2 ثانية من البداية إلى النهاية
توافق الواجهة الخلفية: 100% لقواعد البيانات المستهدفة
دقة الإجابة: >85% بناءً على البيانات المتاحة

#### مقاييس نجاح المرحلة الثالثة
وقت تشغيل النظام: >99.9%
معدل التعافي من الأخطاء: >95%
معدل الوصول إلى ذاكرة التخزين المؤقت: >60%
عدد المستخدمين المتزامنين: >100

#### مقاييس نجاح المرحلة الرابعة
الاستعلامات متعددة علم الوجود: مدعومة بالكامل
تحسين التوجيه: تقليل زمن الوصول بنسبة 30%
دقة تقييم مستوى الثقة: >90%
نشر الإنتاج: تحديثات بدون توقف

## المراجع

[OWL 2 Web Ontology Language](https://www.w3.org/TR/owl2-overview/)
[GraphRAG Architecture](https://github.com/microsoft/graphrag)
[Sentence Transformers](https://www.sbert.net/)
[FAISS Vector Search](https://github.com/facebookresearch/faiss)
[spaCy NLP Library](https://spacy.io/)
[rdflib Documentation](https://rdflib.readthedocs.io/)
[Neo4j Bolt Protocol](https://neo4j.com/docs/bolt/current/)