في عالم أنظمة البحث والتوصيات، تُعد النماذج التنبؤية عرضة لمشكلة عدم الاستقرار الزمني، خاصة عندما تقوم بعض الميزات بإدخال تقلبات سلبية في درجات التقييم. هذا الأمر قد يضر بموثوقية النموذج وتجربة المستخدم، خصوصاً في الأنظمة متعددة المراحل التي تتطلب توقعات متسقة لصنع القرار في المراحل التالية. هنا يأتي دور نظام فورتيز (Fortress)، الإطار العام لتقوية استقرار ودقة النموذج من خلال التعرف على الميزات غير المستقرة واستبعادها.

يعتمد نظام فورتيز على مجموعة من الخطوات المدروسة: أولاً، يقوم بجمع لقطات تاريخية مقسمة زمنياً تتعلق بتقلبات الدرجات لنفس الكيان على مر الزمن. ثم يتم تحديد العينات ذات التوقعات غير المستقرة. بعد ذلك، يتم عزل وإزالة الميزات التي تسبب عدم الاستقرار. وأخيراً، يتم إعادة تدريب النماذج مستخدماً فقط الميزات المستقرة.

بينما تعزز الميزات الدلالية المستمدة من نماذج اللغات الضخمة (Large Language Models) والنماذج القائمة على BERT التعميم، إلا أنها غالباً ما تفتقر إلى تغطية كاملة للاستعلامات أو الكيانات. وعلى الجانب الآخر، توفر الميزات المستندة إلى التفاعل قوة تنبؤية قوية، لكنها تميل إلى إدخال عدم الاستقرار الزمني. يقوم نظام فورتيز بتقليل هذه المخاطر عن طريق كبح تقلبات الإشارات التفاعلية مع الاحتفاظ بقيمتها التنبؤية، مما يؤدي إلى نماذج أكثر استقرارًا ودقة.

تم التحقق من فعالية نظام فورتيز من خلال تطبيق نموذج لتحديد الصلة بين الاستعلامات والتطبيقات في سوق التطبيقات الضخم. أظهرت التجارب داخل المختبر تحسينات بارزة في استقرار التوقعات، تم قياسها بواسطة معامل التباين، وأداء التصنيف، تم قياسه بواسطة PR-AUC. إن هذه النتائج تبشر بمستقبل واعد لتطوير نماذج أكثر كفاءة تؤثر بشكل إيجابي على جميع المستخدمين.