في عالم التجارة الإلكترونية المتسارع، أصبح توفير تجربة تسوق مخصصة أكثر أهمية من أي وقت مضى. وفي هذا السياق، تم تقديم مفهوم جديد يُعرف بـ 'Affinity Aspect'، والذي يركز على توقع تفضيلات المستخدمين بالنسبة للعوامل المختلفة مثل العلامة التجارية، الحجم، واللون. هذا التكامل الجديد، الذي يحمل اسم DeepAffinity، يعتمد على نماذج لغوية صغيرة (Small Language Models) ليتجاوز الحواجز التقليدية في طريقة فهم سلوك المستخدم.

تتجه هذه الدراسة إلى معالجة كيفية التنبؤ بتفضيلات المستخدمين بالاعتماد على تاريخ تفاعلاتهم المرتبطة بالمنتجات بمرور الزمن. عبر معالجة هذا الجانب الزمني، يمكن أن تكشف DeepAffinity عن تفضيلات عميقة وطويلة الأمد ليست مقتصرة على الجلسة الحالية للمستخدم.

ولكن ما يميز DeepAffinity فعلاً هو قدرته على التفوق على الطرق التقليدية للتخصيص مثل أساليب التعلم الذاتي. إذ تظهر النتائج أن نماذج LLM (نماذج اللغات الضخمة) العامة لا تستطيع تقديم أداء مرضٍ في هذا السياق، ما يعكس حدود هذه الأنظمة في فهم السلوكيات الدقيقة.

من خلال التركيز على تقديم توصيات ذات جودة عالية، تُعد DeepAffinity خطوة كبيرة نحو تحسين تجربة المستخدم على منصات التجارة الإلكترونية الكبرى، مما يمكن الشركات من تحقيق مستوى متقدم من التخصيص والتفاعل.