شهدت أنظمة التوصيات تطوراً ملحوظاً في السنوات الأخيرة بفضل الاستفادة من الرسوم البيانية للمعرفة (Knowledge Graphs) ونماذج اللغة الضخمة (Large Language Models). تعتبر الرسوم البيانية للمعرفة أدوات فعالة في التقاط العلاقات الخفية بين العناصر، بينما أصبحت نماذج اللغة تدعم الفهم الدلالي المعقد وتساعد في معالجة مشكلات ندرة المعرفة.

لكن على الرغم من هذه الدمج المثمر، إلا أن الأساليب الحالية لا تزال تواجه العديد من التحديات. أبرز هذه التحديات تكمن في عدم كفاءة النمذجة للعلاقات الدلالية الضمنية خارج الروابط الصريحة في الرسوم البيانية، وضعف دمج البروتوكولات بين معرف المستخدم ونماذج اللغة، فضلاً عن عدم كفاية اعتبارات تكرار تفاعل المستخدم مع العناصر في استراتيجيات التوصية.

لذا تم تقديم إطار عمل DCGL (تعلم الرسوم البيانية المزدوجة)، الذي يتضمن ثلاث ابتكارات رئيسية: أولاً، بنية ذات قناتين تفصل المعلومات الدلالية الغنية عن أنماط سلوك المستخدمين مما يمنع التداخل المبكر. ثانياً، آلية تعلم تبايني متعددة المستويات تعزز من قوة النموذج ضد الضوضاء في الرسوم البيانية وتعالج الفجوات الدلالية بين القنوات. ثالثاً، آلية دمج ديناميكية تتكيف مع تكرار التفاعل، مما يوازن بين التعميم الدلالي وتحديد سلوكيات المستخدم.

أظهرت التجارب الواسعة على أربع مجموعات بيانات حقيقية أن DCGL يتفوق باستمرار على الأساليب الحالية المتطورة، مما يحقق تحسينات كبيرة في السيناريوهات النادرة بينما يحافظ على الدقة للمستخدمين النشطين. الكود متاح على [GitHub](https://github.com/XinchiZou/DCGL).

ما رأيكم في هذه التقنية الثورية؟ هل تعتقدون أنها ستغير طريقة توصية المحتوى في المستقبل؟ شاركونا آراءكم!