في عالم ملؤه الخيارات، أصبح من الضروري تحسين خبرات التوصيات لتلبية احتياجات المستخدمين بشكل فعال. هنا يأتي دور نموذج FedCGR (توصية التوليد عبر المجالات الفيدرالية) الذي يمثل قفزة نوعية في كيفية تقديم التوصيات عبر المجالات المختلفة.

التوصية عبر المجالات (Cross-domain recommendation) تعتمد على نقل المعرفة حول تفضيلات المستخدمين عبر مجالات متعددة، إلا أن تنفيذها بشكل فيدرالي يتطلب مواجهة تحديات كبيرة، مثل التصنيفات السلوكية القليلة أو غير المتاحة. حيث يتمثل أحد الحلول الابتكارية في تمثيل المنتجات باستخدام تسلسلات تعريف دلالية (Semantic ID sequences) مستمدة من البيانات الوصفية العامة للمنتجات، مما يعزز التوافق بين المجالات بطريقة أكثر أمانًا.

ومع ذلك، تقديم نماذج توليد تمثل التوصيات عبر SID يُعاني من بعض القيود التصميمية. لذا، يطرح فريق البحث FedCGR كإطار عمل يضمن استقرار اللغة المستخدمة في توصيات المنتجات، ويسمح بالتكيف بشكل تفصيلي مع الاحتفاظ بالخصوصية. يعتمد FedCGR على دليل موثوق يظهر معالم التعاون المحلي ويقوم بتدريب نموذج توليدي مخصص، مما يُمكنه من تجميع الخصائص المشتركة بين المجالات المختلفة بشكل موازن، ويحتفظ بجوانب محددة محليًا.

تظهر التجارب على ست سيناريوهات مختلفة لمنصة أمازون أن FedCGR يتفوق بشكل ملحوظ على نماذج التوليد الفيدرالية التقليدية ويحقق أداءً تنافسيًا رائعًا مقارنة بأساليب التوصية القوية الأخرى. هذه النتائج تعكس أهمية الابتكارات في مجال الذكاء الاصطناعي وتفضيلات المستخدمين.