مع التقدم السريع في مجال الذكاء الاصطناعي، يواصل الباحثون تقديم حلول مبتكرة تعزز من تجربة المستخدم في عالم التوصيات. يمثل البحث الأخير عن تصميم تمثيلات الرموز السياقية المفككة (DECOR) خطوة ثورية في هذا الاتجاه.

تتبع أنظمة التوصية التقليدية نمطًا مزدوجًا: حيث يتم تحويل العناصر إلى معرفات دلالية عبر أداة تجزئة مسبقة التدريب، ثم يتم استخدام نماذج لغوية كبيرة (LLMs) لتوليد العنصر التالي عبر نماذج تسلسل إلى تسلسل. لكن، تكمن المشكلة في أن هاتين المرحلتين يتم تحسينهما لأهداف مختلفة، مما يؤدي إلى نقص في التوافق بين الأهداف.

يتمثل أحد القيود الرئيسية في التجزئة الثابتة، حيث تفشل التعيينات الثابتة في التعبير عن سياقات الاستخدام المتنوعة. أما القيد الآخر فيتعلق بالمعرفة المسبقة التي يتم تجاهلها حينما يتم استبدال المعرفة المسبقة عادةً أثناء تدريب نظام التوصيات على تفاعلات المستخدم.

لحل هذه المشكلات، يأتي نظام DECOR ليقدم إطار عمل موحد يحافظ على المعاني المسبقة وفي نفس الوقت يعزز من مرونة تمثيلات الرموز. من خلال استخدام التركيب السياقي للرموز، يتم تحسين تمثيلات الرموز استنادًا إلى سياق تفاعل المستخدم. كما يقدم DECOR دمجًا مفككًا للتمثيلات، ينقل التعليمات مسبقة التدريب مع التمثيلات الجديدة التعاونية.

تظهر التجارب التي أجريت على ثلاث مجموعات بيانات حقيقية أن DECOR يتفوق باستمرار على الحلول الحديثة في أداء التوصيات. ستكون هذه الابتكارات خطوة هامة نحو تعزيز تجربة المستخدم وضمان تقديم توصيات أكثر تخصيصًا ودقة في المستقبل.