مقياس مسافة جديد يعالج ثغرة قديمة في تجميع البيانات الفئوية

مشكلة أهملها الباحثون طويلاً

منذ سنوات، تتعامل خوارزميات التجميع (Clustering) مع مشكلة دقيقة لكنها بعيدة الأثر: معاملة الخصائص الترتيبية (Ordinal Attributes) - كمستوى التعليم أو تقييمات رضا العملاء - بنفس طريقة معاملة الخصائص الاسمية البحتة (Nominal Attributes) كالألوان أو بلد المنشأ. ورقة بحثية أُعيد تداولها حديثًا بعنوان "الترجيح القابل للتعلم لمسافات الخصائص الفردية في تجميع البيانات الفئوية ذات الخصائص الاسمية والترتيبية" تعالج هذه الثغرة مباشرة، عبر طرح مقياس مسافة (Distance Metric) يحترم الترتيب الكامن داخل الفئات الترتيبية، بينما يترك الخصائص الاسمية تُعامل بمنطقها الخاص.

هذا العمل الذي رُفع إلى أرشيف الأبحاث المفتوحة (arXiv) في 6 يوليو 2026، ليس بحثًا جديدًا يظهر لأول مرة. فقد نُشر أصلًا في مجلة IEEE Transactions on Pattern Analysis and Machine Intelligence عام 2022، وهي من أكثر المنابر العلمية صرامة في مجالي الرؤية الحاسوبية والتعلم الآلي. وظهوره مجددًا على أرشيف الأبحاث المفتوحة يعكس على الأرجح توجهًا أوسع لجعل النتائج المحكّمة أكثر سهولة في الوصول للممارسين الذين يعتمدون على خوادم ما قبل النشر كمرجع يومي، لا أي ادعاء تجريبي جديد.

لماذا يهم التمييز بين الاسمي والترتيبي؟

معظم تقنيات التجميع التقليدية، بما فيها نسخ خوارزمية "k-modes" وتكيفات أخرى من "k-means" مع البيانات الفئوية، تميل إلى تسطيح جميع الخصائص الفئوية في فضاء واحد غير متمايز. هذا النهج يعمل بشكل مقبول مع البيانات الاسمية التي لا تحمل ترتيبًا طبيعيًا بين فئاتها، لكنه يهدر بنية معلوماتية مهمة حين تكون الخصائص ترتيبية. فمقياس رضا مثل "منخفض، متوسط، مرتفع" يحمل معلومات عن المسافة والاتجاه يتجاهلها تمامًا أي مقياس بسيط يقوم على المطابقة فقط. معاملة "منخفض" و"مرتفع" على أنهما متساويان في الاختلاف عن "متوسط" تُفقد إشارة كان يمكن أن تُحدد حدود التجمعات (Clusters) بدقة أكبر.

المقياس المقترح يصحح هذا الخلل بحساب المسافات داخل كل خاصية بطريقة مختلفة تبعًا لنوعها، فيحافظ على علاقات الترتيب في المتغيرات الترتيبية، بينما يترك المقارنات الاسمية بلا قيود. والأهم أن ترجيح هذه المسافات لا يُحدد يدويًا. فالورقة تقدم خوارزمية تجميع تتعلم أوزان المسافات الفردية لكل خاصية (Intra-Attribute Distances) وتُقسّم البيانات في الوقت نفسه، ضمن عملية تحسين (Optimization) واحدة موحدة، بدلًا من معاملة اختيار الأوزان كخطوة معالجة مسبقة منفصلة.

أهمية عملية لمجموعات البيانات المختلطة

هذا النمط من التعلم الموحد يكتسب أهميته القصوى في مجموعات البيانات الواقعية التي تجمع بين حقول اسمية وترتيبية معًا، وهو سيناريو شائع في تحليل الاستبيانات، وتقسيم العملاء، والسجلات الصحية، وأبحاث العلوم الاجتماعية. تصميم الخصائص (Feature Engineering) لهذا النوع من البيانات اعتمد تقليديًا على الضبط اليدوي أو الترميزات التقريبية (Heuristic Encodings)، وكلاهما يُدخل تحيزًا ويتطلب خبرة متخصصة بالمجال. وبترك الخوارزمية تتعلم الأوزان المناسبة مباشرة من البيانات أثناء التجميع، يقلل هذا المنهج من ذلك الاعتماد، وينتج - وفق الورقة - تقسيمات تعكس بشكل أفضل البنية الحقيقية الكامنة في البيانات ذات الخصائص المختلطة.

لم تُرصد أي تناقضات في المصادر المتاحة حول هذه الورقة. فتفاصيلها - نشرها في IEEE TPAMI عام 2022، وظهورها على أرشيف الأبحاث المفتوحة في يوليو 2026، ومساهماتها التقنية الجوهرية - جاءت جميعها متطابقة عبر المصادر. وبالنسبة للفرق العاملة على خطوط بيانات فئوية أو مختلطة النوع، تقدم هذه الورقة بديلًا ملموسًا ومؤسسًا رياضيًا لمقاييس المسافة التي تجاهلت تاريخيًا معلومات الترتيب الكامنة داخل الخصائص الفئوية.