في عالم التجارة الإلكترونية اليوم، تُعتبر التوصيات عبر المجالات (Cross-Domain Recommendations) واحدة من القضايا المركزية التي تساهم في تحسين مبيعات المنصات. يهدف هذا النوع من التوصيات إلى استغلال تفاعلات المستخدمين مع المحتوى لتحليل نوايا الشراء الممكنة، مما يُسهم في رفع معدلات التحويل وزيادة القيمة التجارية.

ومع ذلك، تواجه هذه الاستراتيجيات تحديات كبيرة، منها الفجوات الدلالية الكبيرة بين المجالات المختلفة، بالإضافة إلى أن سلاسل سلوكيات المستخدمين عبر المجالات تكون ضخمة وثرية بالضجيج. ورغم أن نماذج اللغات الضخمة (Large Language Models) تتمتع بفهم وقدرة على الاستدلال قوية، إلا أن التأخير في الاستدلال الذي يستغرق أجزاء من الثانية يجعل من الصعب تطبيقها مباشرة في أنظمة التوصية على الإنترنت.

للتغلب على هذه التحديات، يقدم الباحثون في الورقة البحثية الجديدة إطارًا يسمى AIR (Atomic Intent Reasoning)، وهو نظام توصيصي مدعوم من قبل نماذج اللغات الضخمة ومصمم للاستخدام الصناعي. يتميز هذا الحل بنقل استنتاجات النموذج الضخم إلى المرحلة غير المتصلة بالإنترنت ويعمل على إنشاء تمثيلات ديناميكية لنوايا المستخدم من خلال تقنيات استرجاع فعالة أثناء العمليات على الإنترنت.

هذا النظام يحقق تسريعاً في الأداء يبلغ حوالي 400 مرة، ويضمن في الوقت نفسه تمسكاً بالتناسق الدلالي. وقد أثبتت النتائج التجريبية عبر مجموعة من البيانات العامة وصول هذا الإطار إلى ذروة الأداء في مهام التوصية عبر المجالات.

علاوة على ذلك، أظهرت التجارب الواسعة النطاق من خلال اختبارات A/B (A/B Testing) في سيناريوهات الأعمال العملية لمنصة كوايشو (Kuaishou E-commerce) تحسنًا مستقرًا وملحوظًا في عدة مقاييس تجارية أساسية، حيث سجلت زيادة في القيمة الإجمالية للبضائع (GMV) بنسبة 3.446%. هذا النجاح يعد دليلًا واضحًا على فعالية هذا الإطار وقيمته العملية في أنظمة التوصية على نطاق واسع.