في عالم الذكاء الاصطناعي، تعتبر أنظمة التوصيات التسلسلية (Sequential Recommender Systems) من الأدوات الأساسية التي تستخدمها المنصات لتحسين تجربة المستخدم وزيادة التفاعل. لكن غالبًا ما تواجه هذه الأنظمة تحديات، خاصة عندما يتعلق الأمر بالعناصر النادرة التي يواجهها المستخدمون. عادةً، تكون هذه الأنظمة تعتمد على معرفات الهاش (Hash IDs) لتكوين تمثيلات العناصر، لكن هذه المعرفات تواجه صعوبات في حالات الاستهلاك الطويل، حيث يتم استهلاك معظم العناصر بشكل نادر.

حديثًا، تم تطوير أساليب جديدة تتضمن معلومات إضافية لمواجهة هذه التحديات، ولكنها قد تعاني من ضوضاء في البيانات بسبب التداخل في الإشارات أو عدم التمايز بين العناصر نتيجة استخدام تمثيلات شديدة الكثافة.

في هذا السياق، يظهر مفهوم المعرفات الدلالية (Semantic IDs) كبديل واعد يتيح مشاركة الشيفرات ونمذجة دلالية متعددة المستويات. ولكن بالرغم من ذلك، فإن الأساليب المعتمدة على المعرفات الدلالية تواجه ظاهرة تُعرف بالـ "الحمل التعاوني"، حيث تؤثر الآليات المستخدمة في تقليل التمييز بين المعرفات على الأداء بين العناصر الرائجة والنادرة.

للتغلب على هذه التحديات، ظهر نموذج H2Rec، وهو إطار عمل حديث يجمع بين المعرفات الدلالية والهاش. يتميز هذا النموذج بهندسة تسغيلية مزدوجة الأفرع، قادرة على التقاط الدلالات متعددة المستويات للـ SID، مع الحفاظ على الهوية التعاونية الفريدة التي توفرها الـ HID.

علاوة على ذلك، تم تقديم استراتيجية محاذاة مزدوجة المستوى لربط التمثيلين، مما يمكّن من نقل المعرفة بشكل فعّال ونمذجة تفضيلات المستخدم بشكل قوي. وقد أثبتت التجارب المكثفة على ثلاث عينات عامة، بالإضافة إلى التجارب المباشرة على منصة تجارية كبيرة، أن نموذج H2Rec يحقق توازنًا أفضل بين جودة التوصيات للعناصر الرائجة والنادرة، ويتفوق بشكل مستمر على الأسس الحالية.

إن التطورات مثل نموذج H2Rec تعكس كيف يمكن لتقنيات الذكاء الاصطناعي أن توفر حلولاً مبتكرة لتحديات معقدة. هل أنتم متشوقون لاستخدام مثل هذه الأنظمة في المستقبل؟ شاركونا في التعليقات.