في عالم أنظمة التوصية، برز التعلم التسلسلي كإحدى الطُرق الواعدة لتجاوز النماذج التقليدية القائمة على التعلم العميق (Deep Learning Recommendation Models - DLRMs). وعلى الرغم من نجاح هذه النماذج، فإنها تواجه تحديات كبيرة تتمثل في كيف يمكنها قراءة سلوك المستخدم، الذي يُعزى تاريخ استخدامه إلى تسلسل زمني وحيد، كما لو كان نصاً في نموذج لغة كبير (Large Language Model - LLM).

لقد أدرك الباحثون أن هناك اختلافًا جوهريًا بين اللغة الطبيعية وبيانات التوصية. بينما يتميز النص بترتيب منطقي خطي، يمتاز سلوك المستخدم بتنوع عميق يؤدي إلى تباين بين العناصر المراد توصيتها. إن تجربة المستخدم تمثل في الواقع مرآة مجزأة للاهتمامات المختلفة، مما يكشف عن وجود تداخلات بين سلوكيات غير مرتبطة، وهو الأمر الذي يسبب تلوثاً في السياق. وعليه، فإن نمذجة التسلسلات الوحيدة تجعل السلوكيات المتباينة تتنافس على ميزانية انتباه واحدة، مما يؤدي إلى انخفاض قدرة النموذج على تحديد الأنماط ذات النية العالية من الضوضاء.

لذلك، يُقترح نهج التعلم المتعدد التسلسلات (CMSL) كتحول جذري من الاستهلاك السلبي للتسلسلات إلى "هندسة السياق" النشطة التي تبني تسلسلات متناسقة متعددة في الفضاء الكامن. يعتمد CMSL على وحدة بناء التسلسل القابلة للتعلم لفصل تاريخ المستخدم إلى خيوط موضوعية "نقية"، تليها آلية انتباه خطي لتعزيز القدرة على نمذجة هذه الخيوط بكفاءة وبدقة.

لقد أثبت CMSL فعاليته عبر مهام ترتيب واسترجاع البيانات عبر أربع واجهات رئيسية في شركة ميتا، مما يشير إلى أن الابتكارات في هذا المجال يمكن أن تغيّر كيفية فهمنا وإدارتنا لتوصيات الأنظمة بشكل جذري.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.