في عصرنا الحديث، أصبحت أنظمة التوصيات (Recommender Systems) جزءاً أساسياً من تجربتنا الرقمية. ومع تزايد اعتماد المستخدمين على التقييمات والمراجعات النصية، تستمر الأبحاث في تطوير نماذج أكثر فعالية. في هذا السياق، تم تقديم إطار عمل جديد يعرف بـ "نموذج هجين مغلق لتقنية التصفية التعاونية" (Gated Hybrid Collaborative Filtering) والذي يعد بتغيير قواعد اللعبة في عالم التوصيات.

يعمل هذا النموذج على استيعاب التمثيلات المستندة إلى المراجعات في نظام تصفية تعاوني يعتمد على جهاز الترميز التلقائي (Autoencoder)، حيث يتم حقن الإشارات الدلالية بشكل طبقي من خلال آلية ضبط ديناميكية متكيفة. هذه الآلية توازن بين التضمينات التعاونية والميزات المستندة إلى الموضوع أثناء عملية الترميز.

بالإضافة إلى ذلك، يقدم النموذج وحدة تعلم تبايني (Contrastive Learning Module) تهدف إلى تحسين التوافق بين الإشارات الدلالية والتعاونية. تم اختبار الإطار عبر خمسة تكوينات مختلفة، بما في ذلك: التصفية التعاونية البحتة، والتصفية المرتكزة على الموضوع، والتصفية بالتوجيه، مع إضافة أهداف تباينية.

لتعزيز سلوك الترتيب، تم تدريب النموذج باستخدام هدف خاص بالترتيب الشخصي البايزي (Bayesian Personalized Ranking) الذي يشجع على تشكيل مسافات واضحة بين العناصر ذات الصلة وغير ذات الصلة في الفضاء الكامن.

تظهر التجارب التي أجريت على منصات مثل أمازون (Amazon) لأفلام وتلفزيون، وآي إم دي بي (IMDb)، وروتن توميتوز (Rotten Tomatoes) تحسناً مستمراً في معدل النجاح ومعدل المكسب التراكمي المخفض الطبيعي، مما يبرز أهمية الدمج الدلالي المنظم في تحويل توصيات الأفلام.