تعتبر توصيات المنتجات المتسلسلة وسيلةً فعالة لتوقع العناصر التي سيتفاعل معها المستخدم بناءً على سلوكه التاريخي. ومع التطورات الحاصلة في نماذج الترنسفورمر (Transformers)، شهدت هذه التقنيات تحسينات ملحوظة، إلا أن كفاءتها في التكلفة لا تزال محدودة.

يأتي نموذج DSRec الجديد ليقدم حلاً مبتكراً، حيث يعتمد على النماذج الحقلية (State Space Models - SSMs) لتحسين الأداء. ويُظهر البحث أن معظم الأساليب الحالية تركز على دور سكوني ثابت لكل عنصر، متجاهلة ظاهرة تعدد المعاني للأصناف، حيث يلعب العنصر نفس الدور المعنوي بحسب سياق المستخدم.

يعمل DSRec على فصل الأدوار المعنوية للعناصر بين سياقات طويلة وقصيرة الأمد، حيث يتم ترميز العناصر المتسلسلة إلى تمثيلات اهتمام طويلة الأمد تعكس تفضيلات ثابتة، وتمثيلات قصيرة الأمد تركز على نوايا المستخدم الفورية. يستخدم النموذج آليات متطورة مثل مدمج سمالبلغ (Mamba) للنمذجة الطويلة الأمد، وأيضًا SSM معدل زمنياً لتعديل سلوك الدولة حسب الفواصل الزمنية.

نتائج التجارب على مجموعات البيانات العامة تظهر أن نموذج DSRec يتفوق على الأساليب المتقدمة الحالة الأخرى، مما يعد بمستقبل مشرق لتقنيات توصيات المنتجات المتسلسلة!