في ظل تنامي التجارة الإلكترونية، تتزايد التحديات المرتبطة بعمليات البحث عن المنتجات ضمن كتالوجات ضخمة وديناميكية. يقدم البحث الجديد طرقًا مبتكرة لتحسين تحصيل المنتجات، حيث يدمج بين الاسترجاع التوليدي (Generative Retrieval) وتقنيات التعلم التعزيزي (Reinforcement Learning).



نقترح إطارًا يُعرف باسم CQ-SID (المعرفات الدلالية المقيدة بالتصنيفات والاستعلامات)، والذي يقوم بتوظيف استراتيجيات تعلم تمييزية جنبًا إلى جنب مع نماذج متقدمة لتقليل تعقيد عمليات البحث من خلال ترميز العناصر إلى معرفات دلالية تسهل الوصول إليها. هذه التكنولوجيا تُعد خطوة ذكية في عملية الاسترجاع، حيث تساعد في تحسين دقة النتائج وتحقيق وقت استجابة أسرع للمستخدمين.



ولتحقيق أقصى استفادة من بيانات الاسترجاع، تم تقديم نهج EG-GRPO (التعزيز القائم على الخبراء)، والذي ينسجم بين المرحلة الاسترجاعية ومعايير الترتيب ضمن النظام، بما يضمن تحسين التجربة أيضًا للمستخدم النهائي.



تم إجراء تجارب على بيانات سابقة تشير إلى أن CQ-SID حققت تحسنًا ملحوظًا في معدلات النقر والنقرات المخصصة، مع مضاعفة السرعة في عمليات البحث، بينما أظهرت اختبارات A/B نتائج إيجابية مؤكدة في زيادة قيمة المبيعات والعملاء النشطين.



تعتبر هذه الابتكارات مبشرة لمستقبل التجارة الإلكترونية، حيث تسهم في تعزيز تفاعل العملاء وكسب ولائهم، مما يفتح الأفق لفرص جديدة في عالم التجارة الرقمية.