في عصر التجارة الإلكترونية المتعددة الرؤوس، مثل منصة DoorDash، تبرز الحاجة إلى تحسين تجربة المستخدم من خلال التوصيات الشخصية. يُعد العمل مع الفئات الجديدة مثل السوبر ماركت والتجزئة فرصة رائعة للابتكار في مجال التخصيص، إلا أن التحدي يكمن في حل "مشكلة البداية الباردة" بالنسبة للمستخدمين الجدد.

تقدم دراسة جديدة إطار عمل مبتكر يهدف إلى تعزيز جودة التوصيات من خلال نقل المعرفة من الفئات الغنية بالبيانات، مثل تجربة المطاعم على DoorDash، إلى الفئات النادرة في البيانات. يتم استخدام نماذج اللغات الضخمة (Large Language Models) لأغراض الاستنتاج التوليدي، مما يسمح بتوليد ميزات عالية الأبعاد تجسد الميول الخفية للمستخدمين.

تُعتمد طريقة استرجاع معززة للتوليد (Retrieval-Augmented Generation - RAG) لاستنتاج ميزات تصنيفية متعددة المستويات من بيانات طلبات المستخدمين في المطاعم واستفسارات البحث. تُدمج هذه الميزات المُولّدة، التي تعكس تفضيلات المستخدم على المدى الطويل والدوافع العاجلة على المدى القصير، في نموذج ترتيب التعلم متعدد المهام (Multi-Task Learning - MTL) الإنتاجي.

أظهرت تجارب متعمقة عبر تقييمات فعلية وغير فعلية أن هذا النهج يُحسن بشكل ملحوظ من تجربة التخصيص والتفاعل داخل الفئات التجارية الناشئة، مما يسهم بشكل فعّال في سد الفجوة في البيانات السلوكية للمستخدمين.