تعتبر الأنظمة المعتمدة على الهوية الدلالية (SID) واحدة من أبرز الابتكارات في مجال التوصيات الذكية، حيث حققت نجاحاً ملحوظاً في فهم احتياجات المستخدمين. ومع ذلك، لوحظ وجود مشكلة كبيرة تتمثل في "انحياز تكرار الرموز"، حيث يتم توقع الرموز ذات التردد العالي بشكل مفرط في حين يتم تجاهل الرموز ذات التردد المنخفض.

تنشأ هذه المشكلة نتيجة لتأثيرات مجموعة من العوامل، بدءاً من عدم التوازن في الرموز الدلالية أثناء إنشاء SID، مروراً بالانحياز للرموز الأكثر شيوعاً، وصولاً إلى الهدف المتمثل في تقدير الاحتمالات القصوى أثناء تدريب التوصيات.

العديد من الطرق الحالية تركز على تحسين جودة الرموز، لكنها تتجاهل تأثير عدم التوازن في تكرار الرموز على عدالة التوصيات المستقبلية. بينما تعاني طرق إزالة انحياز النموذج اللغوي الكبير (LLM) عند تطبيقها بشكل مباشر على SID، بسبب الهيئة الهرمية للرموز الدلالية.

للتصدي لهذه القضية، نقدم نظام FSGR، الذي يمثل إطار عمل لتحسين العدالة في التوصيات الذكية. يعتمد FSGR على مجموعة من التقنيات الحديثة مثل تحسين التعيين القائم على التوزيع الأمثل (OT) وآلية إعادة التثبيت ثنائية المعايير لإنشاء مساحة تمثيل SID أكثر توازناً. كما يتم تدريب نموذج التوصيات على مرحلتين ويقدم المعايرة الهرمية للتردد لضبط العدالة الخاصة بالطبقات.

أظهرت التجارب على ثلاث مجموعات بيانات عامة مع ثلاث نماذج أساسية أن FSGR يقلل من انحياز تكرار الرموز، محققًا تحسنًا في العدالة بمعدل يزيد عن 20%، مع الحفاظ على دقة التوصيات التنافسية. إذاً، هل سيغير FSGR قواعد اللعبة في عالم التوصيات الذكية؟