في عالم الذكاء الاصطناعي، تلعب أنظمة التوصية المعتمدة على الرسوم البيانية (Graph-based Recommender Systems) دورًا حيويًا في تحسين تفاعل المستخدمين مع المحتوى. حيث تعتمد هذه الأنظمة على استخراج إشارات تعاونية من تفاعلات المستخدمين مع العناصر. ومع ظهور التعلم الفيدرالي (Federated Learning)، أصبحت بإمكان هذه الأنظمة أن تتدرب مع الحفاظ على خصوصية المستخدمين، وهو ما يعد إنجازًا كبيرًا.

لكن الصعوبات لا تزال قائمة؛ فتعزيز تمثيلات الرسوم البيانية عبر العملاء الموزعين وغير المتطابقين يعد تحديًا صعبًا، حيث إن التضمينات الهيكلية المكتسبة محليًا قد لا تتلاءم بشكل صحيح، مما يجعل التوسط الساذج غير قادر على التقاط العلاقات المهمة بين العملاء.

وتعتمد معظم الطرائق الحالية على التجمّع الهيكلي فقط، متجاهلة السياقات الدلالية الواسعة المتاحة في نماذج اللغات الضخمة (Large Language Models - LLMs). لذلك، تقدم هذه الورقة إطارًا مبتكرًا يستخدم المعرفة المستندة إلى نماذج اللغات الضخمة لتوجيه أنظمة التوصية المعتمدة على الرسوم البيانية.

كيف يحدث ذلك؟ يبدأ العملاء في تعلم التضمينات الهيكلية من الرسوم البيانية المحلية الخاصة بهم، بينما يقومون في الوقت نفسه بتلخيص أنماط تفاعلهم النموذجية إلى متجهات دلالية مضغوطة عبر استخدام نموذج LLM مجمد (Frozen LLM). بعد ذلك، يستخدم الخادم المركزي هذه الإشارات الدلالية المستندة إلى LLM لاكتشاف أنماط تفضيل ذات صلة عبر العملاء، مما يوجه التوسط الاختياري لتمثيلاهم الهيكلية.

هذه الطريقة تعزز التعاون بين العملاء بطريقة مستنيرة دلاليًا، دون كشف البيانات الخام. علاوة على ذلك، تظهر التجارب الواسعة على مجموعة من الاختبارات أن توجيه المحاذاة الهيكلية باستخدام المعرفة المستندة إلى نماذج اللغات الضخمة يحسن باستمرار دقة التوصيات مقارنةً بالطرائق الحالية للرسوم البيانية الفيدرالية.

في الختام، يبدو أن هذا البحث يمثل خطوة هامة نحو تحسين أنظمة التوصية، حيث ينفتح أمامنا أفق جديد للإبداع والتطور في عالم الذكاء الاصطناعي.