في عالم الذكاء الاصطناعي، تظهر الحاجة المستمرة لتحسين التوصيات المتسلسلة عبر المجالات بشكل واضح. الهدف من توصيات المستخدمين المتسلسلة عبر المجالات (Cross-domain sequential recommendation - CDRS) هو تصوير التغيرات الديناميكية في اهتمامات المستخدمين وأنماط السلوك عبر مجالات متعددة.

مؤخراً، برزت التوصيات الجيلية (Generative Recommendation - GR)، والتي تقوم على تعلم معرفات دلالية (Semantic Identifiers - SIDs) من دلالات العناصر وصياغة التوصيات كعملية توليد أوتوماتيكية. لكن، تواجه الأساليب الحالية مشكلتين رئيسيتين: الأولى، عدم أخذ العلاقات التعاونية عبر المجالات في الاعتبار أثناء عملية التشفير، والثانية، استخدام استراتيجيات فك تشفير غير فعالة، مثل البحث الشامل (Beam Search)، مما يعوق التنفيذ الفوري.

للتغلب على هذه التحديات، تم تقديم إطار GenCDSR، الذي يمثل نموذجًا فعالًا من حيث الأداء لأسلوب التوصية المتسلسل عبر المجالات. يقوم GenCDSR بتصميم آلية تشفير هجين عبر المجالات مع بنية متعددة الأبراج، بحيث تمكن من التقاط الجوانب المشتركة والاختلافات المحددة لكل مجال من خلال كتب التعليمات الهيراركية ذات التشفير الدقيق.

علاوة على ذلك، تم تطوير استراتيجية فك تشفير تسلسلي-متوازي عبر المجالات التي تستفيد من هيكل معرفات SID الهيراركي لأداء التوليد بشكل جزئي ومتوازي، مما يقلل بشكل ملحوظ من زمن الاستدلال مع الحفاظ على تناسق النتائج.

أظهرت التجارب على ثلاثة مجموعات بيانات عامة أن GenCDSR يحقق تحسينًا في الدقة بما يصل إلى 1.5%، ويقلل زمن الاستدلال بمعدل 85.1% مقارنة بأفضل الأساليب الحالية. الكود والبيانات متاحة على الإنترنت، مما يوفر فرصة للمطورين والباحثين لاستكشاف هذه التقنية الجديدة.

ما رأيكم في هذه التطورة؟ هل تعتقدون أن GenCDSR سيكون له تأثير كبير على مستقبل التوصيات؟ شاركونا في التعليقات.