في عالم وسائل التواصل الاجتماعي، تعتبر أنظمة التوصية التوليدية (Generative Recommendation) من الأدوات الأساسية لزيادة التفاعل مع المحتوى، ولذلك، فقد استمرت هذه الأنظمة في التطور لتحسين دقتها وفعاليتها. في أحدث الأبحاث، تم تحليل كيفية تأثير أساليب البحث الضيق (finite beam search) على أداء هذه الأنظمة، مشيرين إلى القيود التي تفرضها على إدراج العناصر المستهدفة ضمن قوائم النتائج.

أحد أبرز الابتكارات في هذا المجال هو تقديم نموذجين جديدين لاستعلام مستمر: CQG-Single وCQG-AR. حيث يعمل CQG-Single على توليد استعلام واحد لاسترداد المحتوى بنقرة واحدة، بينما يقوم CQG-AR بتوليد تحديثات مستمرة بشكل تلقائي. ما يتميز به هذان النموذجان هو خلوهما من متطلبات القاموس الخاص بالرموز المكانية (Semantic IDs)، مما يسهل الوصول إلى جميع العناصر المشفرة بشكل مباشر ويزيد من فعالية عملية الاسترداد.

بفضل نظام موحد مع قيود واضحة على تفاصيل الاستعلام، تفوق أداء CQG-Single على جميع المعايير بنسبة 55.3% أقل من عدد المعلمات القابلة للتدريب. كما أثبت CQG-AR قوته مقارنةً بالمجموعات الأخرى، مما ينبه إلى أهمية فصل تمثيل المخرجات عن نماذج الاسترجاع أثناء تقييم أنظمة التوصية التوليدية.

باختصار، يدعو هذا البحث إلى إعادة تقييم الأساليب المستخدمة في أنظمة التوصية، واستكشاف كيفية استخدام الابتكارات التكنولوجية لتجاوز الحواجز التقليدية التي تعيق تحسين الأداء.