أصبح الذكاء الاصطناعي (AI) جزءًا لا يتجزأ من حياتنا اليومية، وخاصة في مجال التوصيات. في هذا السياق، يظهر نموذج DiffGRM كنموذج مبتكر يجمع بين أحدث التقنيات ليقدم تجربة استثنائية للمستخدمين.

Generative recommendation (GR) أو التوصيات التوليدية هو نهج حديث يمكّن النظام من إنتاج توصيات دقيقة من خلال تمثيل كل عنصر باستخدام مُرمز مخصص يُعرف بـ semantic ID (SID). لكن، وجود خصائص هيكلية معينة جعلت النماذج التقليدية تواجه تحديات كبيرة.

إحدى هذه التحديات هي الاتساق بين العناصر (intra-item consistency)، حيث تحدد الأرقام اليسارية كيفية تدريب النماذج على كل رقم بشكل منفرد، مما يؤدي إلى مشكلات في الفهم العميق للعلاقة خلف كل عنصر. الأمر الآخر هو عدم التجانس بين الأرقام (inter-digit heterogeneity)، إذ تختلف الأرقام في التفاصيل والدقة، ما يمكن أن يؤدي إلى التدريب غير المتوازن.

لذا، تم تطوير DiffGRM كنموذج يعتمد على تقنيات ابتكارية، حيث تم استبدال نظام التدريب التقليدي بنموذج مدمج يعتمد على التشتت والتوجيه المتزامن، مما يمكّن من الاستخدام المثالي للسياق الثنائي الاتجاه. ويتضمن النموذج ثلاث تحسيينات رئيسية:
1. **التشفير الدلالي المتوازي (Parallel Semantic Encoding)** لتفكيك الأرقام وتحقيق توازن المعلومات.
2. **التدريب مع التمويه المتماسك (On-policy Coherent Noising)** الذي يبرز الأرقام غير المؤكدة، مما يوجه الإشراف نحو الإشارات القيمة.
3. **الاستدلال مع إزالة الضجيج الموجه بالثقة (Confidence-guided Parallel Denoising)** الذي يبدأ بإزالة الضجيج عن الأرقام الأكثر ثقة.

أظهرت التجارب تحسناً كبيراً في المؤشرات المختلفة، حيث ازدادت نسبة التحسن في NDCG@10 بنسبة تتراوح بين 6.9% إلى 15.5% مقارنة بالنماذج التقليدية، مما يبرز فعالية هذا النموذج الجديد.

للاطلاع على الكود الخاص بالنموذج، يمكنكم زيارة رابط GitHub للنموذج. كيف ترى تأثير DiffGRM على مستقبل توصيات الذكاء الاصطناعي؟ يسعدنا سماع آرائكم في التعليقات!