وداعًا لجاذبية التوصيات! كيف ننتقل نحو دقة متناهية في توصيات الجلسات باستخدام إطار قيود هجين

تعد توصيات الجلسات (Session-based Recommendation - SBR) من أبرز التطورات التكنولوجية في مجال الذكاء الاصطناعي، حيث تهدف إلى التنبؤ بالتفاعلات التالية للمستخدمين المجهولين بناءً على جلساتهم التفاعلية. ومع ذلك، فإن غالبية التفاعلات تتضمن عناصر ذات مستوى تعرض منخفض، مما يؤدي إلى ظهور توزيع ذي ذيل طويل يهدد تنوع التوصيات.

إحدى المشكلات الأساسية التي يواجهها مطورون التوصيات التقليدية هي "تأثير الدرجات المتساقطة" (see-saw effect) حيث يلاحظ تراجع في الدقة عند محاولة تعزيز هذه العناصر ذات التعرض المنخفض. يشير الباحثون إلى أن هذا التحدي يرجع إلى الضجيج غير المتعلق بالجلسة الموجود في تلك العناصر، وهو الأمر الذي غالبًا ما تفتقر إليه الطُرق الحالية في كبحه وتحليله بفعالية.

لحل هذه الإشكالية، تم تقديم إطار جديد يسمى **HID** (إطار القيود الهجين) وهو عبارة عن نظام يمكن دمجه بسهولة مع أي نموذج توصية. يُحوِّل هذا النظام "تأثير الدرجات المتساقطة" إلى "حالة ربح-ربح"، من خلال إدخال قيود هجينة تعمل على تعزيز كل من الدقة والتنوع في التوصيات.

يتكون هذا الإطار من ابتكارات رئيسية تشمل:
1. **تعلم النوايا الهجينة**، حيث يُعاد تشكيل استراتيجيات استخراج النوايا عبر استخدام تجميع طيفي واعٍ للسمات لإعادة بناء خرائط العناصر إلى النوايا.
2. **فقدان قيود النوايا**، الذي يتضمن اثنين من النماذج الجديدة لتقييد **التنوع** و**الدقة**، لتنظيم عملية التعلم التمثيلي لكل من العناصر والجلسات.

من خلال التجارب الواسعة عبر عدة نماذج وبيانات SBR، أثبت إطار HID قدرته على تعزيز الأداء في عناصر الذيل الطويل وزيادة دقة التوصيات، مما يضعه في موقع الريادة ضمن أنظمة التوصيات الحديثة.