في عالم نظم التوصيات (Recommender Systems)، أطلقت التطورات الأخيرة في نماذج الذكاء الاصطناعي ثورة جديدة تُعرف بـ "التوصيات التوليدية" (Generative Recommendation) التي تسعى لتوحيد الفهم العميق للسلع الإيجابية مع إشارات التصفية التعاونية.

أحد الأساليب الحديثة والمحبوبة هو استخدام معرفات دلالية (Semantic IDs)، وهي رموز متقطعة يتم استخراجها من تجسيدات مشفرات الأنماط (Modality Encoders) مثل نماذج اللغة الكبيرة (Large Language Models) أو نماذج الرؤية. يتم استخدام هذه الرموز لتمثيل العناصر في تسلسلات تفاعلية للمستخدم.

ومع ذلك، أظهرت أبحاثنا أن نظام التوصيات القائم على معرفات دلالية يواجه عددًا من القيود أثناء توسيع نطاق النموذج. على سبيل المثال، تتشبع أداء هذه النماذج بسرعة عندما نقوم بزيادة كل مكون: مثل مشفر الأنماط، ومحول الكمي، ونظام التوصيات نفسه.

إحدى النقاط الأساسية التي تم تحديدها تتعلق بسعة معرفات الدلالية المحدودة في تشفير المعلومات الدلالية للسلع، مما يعد عقبة رئيسية. ولكننا، وفي محاولة أولية لتحسين نماذج التوصيات التوليدية، أعدنا النظر في نهج آخر يستخدم نماذج اللغة الكبيرة كنظم توصيات.

أظهرت تجاربنا أن هذا النهج يوفر خصائص توسيع نموذج متفوقة، حيث حقق تحسنًا يصل إلى 20% عن أفضل أداء ممكن لنظام التوصيات القائم على معرفات دلالية. نستنتج أيضًا أن نماذج اللغة الكبيرة قادرة على التقاط المعلومات التعاونية بشكل فعال كلما زاد حجمها.

تسلط هذه التحليلات الضوء على حدود التوسع المتأصلة في الأنظمة القائمة على معرفات دلالية، مما يعزز موقف نماذج اللغة الكبيرة كطريق واعد نحو نماذج ذات أساس متين في مجال التوصيات.

هل تعتقد أن نماذج اللغة الكبيرة ستكون هي الحل الأمثل لتجاوز العقبات الحالية في نظم التوصيات؟ شاركونا آراءكم في التعليقات!