في عالم الذكاء الاصطناعي، يظل تحسين جودة التوصيات أحد التحديات البارزة، لا سيما فيما يُعرف بمشكلة البداية الباردة (Cold-Start Problem). هذه القضية تعني أن الأنظمة التي تعتمد على التوصيات تعاني من انخفاض كبير في دقتها عند التعامل مع العناصر الجديدة، حيث يمكن أن تصل دقة التوصيات إلى مستويات قريبة من الصفر. ولحل هذه المشكلة، تم تقديم إطار عمل مبتكر يُعرف بـ GenRecEdit.

يعتمد GenRecEdit على مفهوم تحرير النموذج (Model Editing) الذي حقق نجاحًا ملحوظًا في معالجة اللغة الطبيعية (Natural Language Processing)، مما يتيح إدخال المعرفة في نماذج اللغة الكبيرة. ولكن، التحدي يكمن في عدم وجود الارتباط الواضح بين الموضوعات والأغراض في نماذج التوصية، بالإضافة إلى نمط التواجد غير المستقر للتوكنات، مما يجعل عملية التحرير المستهدف صعبة.

لمواجهة هذه التحديات، يقترح فريق البحث نموذج GenRecEdit الذي يركز على تعزيز العلاقة بين سياق التسلسل الكامل وتوليد التوكن التالي. كما يتبنى تحريرًا تكراريًا على مستوى التوكن لإدخال تمثيلات متعددة التوكنات للعناصر، ويقدم آلية مثيرة متمثلة في المشغلات الفردية لتقليل التداخل بين محررات متعددة أثناء الاستنتاج.

أثبتت التجارب المكثفة على عدة مجموعات بيانات أن GenRecEdit يساهم بشكل كبير في تحسين أداء التوصيات للعناصر التي تعاني من البداية الباردة، مع الحفاظ على جودة التوصيات الأصلية للنموذج. والأهم من ذلك، أن هذا الابتكار يتطلب فقط حوالي 9.5% من الوقت اللازم لإعادة تدريب النموذج التقليدي، مما يجعله خيارًا أكثر كفاءة للتحديثات المتكررة للنماذج.