تعتبر أنظمة التوصيات التسلسلية واحدة من الأدوات الحيوية في عالم التكنولوجيا، حيث تهدف إلى التنبؤ بالعناصر التي قد تثير اهتمام المستخدمين بناءً على تاريخ تفاعلاتهم. إلا أن التفاعلات ليست جميعها متساوية من حيث الفائدة، فكثير منها يمكن أن يشوه الصورة الحقيقية لرغبات المستخدم.

فتجمع سجلات التفاعل بين تفضيلات دائمة واحتياجات مؤقتة، مما يعني أن بعض التفاعلات قد تكون مضللة أو غير موثوقة. في هذا السياق، تظهر مشكلة "التحكم في السلوكيات" (Behavior Denoising) كالعنصر الحاسم في تحسين التوصيات.

اعتاد الباحثون على تقييم هذه التفاعلات المثيرة للجدل استنادًا إلى عوامل مثل التكرار والتسلسل والنماذج التنبؤية، ولكن ذلك ليس كافيًا. وهنا تأتي أهمية الرسوم البيانية المعرفية (Knowledge Graphs - KGs)، التي تعزز من هذه التقييمات بتقديم أدلة معززة.

لذا، نقدم لكم نموذج AdaptedKG الذي يعمل على معالجة هذه القضايا. يعتمد هذا النموذج على استخدام أدلة KGs المخصصة لكل مثال تدريبي دون الحاجة لإضافة تمثيلات رسومية إلى نموذج التوصية.

يبدأ AdaptedKG بمقارنة السياق المُلاحظ بالبدائل المتطابقة هيكليًا لاستنتاج المسارات التفاعلية التي تبرز بشكل غير معتاد، ومن ثم يبني عرضًا محليًا للرسوم البيانية المعرفية. بعد ذلك، يقارن كل تفاعل مع عناصر مرجعية متطابقة هيكليًا لضبط دعمه داخل هذا العرض.

بهذه الطريقة، يمكن للمستخدمين الحصول على توصيات أكثر دقة وموثوقية. وقد أظهرت التجارب التي أجريت على نموذج توصيتي قياسي ونماذج متعددة للتحكم في السلوكيات تحسينات ملحوظة في الأداء.

هذا البحث يعد خطوة مهمة نحو تحسين تكنولوجيا التوصيات، مما يمثل إضافة قيمة لمجال الذكاء الاصطناعي. ما رأيكم في استخدام الرسوم البيانية المعرفية لتحسين تجارب المستخدمين؟ شاركونا تجاربكم في التعليقات!