في عصر الذكاء الاصطناعي، تُعد نماذج اللغة الكبيرة (LLMs) من الأدوات القوية التي تُستعمل في مجموعة واسعة من التطبيقات. لكن التحدي الأكبر يكمن في كيفية تكييف هذه النماذج لتلبية التفضيلات الفردية للمستخدمين بشكل فعال. هنا يأتي دور L2Rec، الابتكار الذي يسعى إلى دمج الفهم السلوكي والدلالي بطريقةٍ متقدمة.

تعمل الطرق الحالية على دمج البيانات السلوكية في سياقات مختلفة، سواء عند مستوى المدخلات أو المخرجات، مما يؤدي في كثير من الأحيان إلى فجوات في التوزيع أو نقص في إشراف المهام بالكامل. يُعرف L2Rec بقدرته على توحيد الفهم السلوكي والدلالي على مستوى المعلمات في نماذج اللغة الكبيرة، مما يوفر حلاً أكثر فعالية.

فكرة L2Rec الأساسية تتمثل في استخدام مجموعة واحدة من معلمات Transformer كوسيط مشترك بين وجهتي النظر: باستخدام آلية مخصصة خبيثة، مثل Dual-view Personalized Mixture-of-Experts (DPMoE)، يُمكن للنموذج إنتاج تكييفات سلوكية ودلالية متميزة لكل مستخدم مع تقليل الخطأ في مستوى التمثيل.

العنصر المبتكر في هذا النظام هو وحدة الفيوزيون المتقاطع التكيفية، التي تدمج النتائج المتعددة الأبعاد لتشكل تفضيلًا موحدًا لدى المستخدم.

قد أظهرت التجارب على أربعة مجموعات بيانات بأن L2Rec يتفوق باستمرار على أفضل الأنظمة القائمة، ونتائج اختبار A/B على منصة صناعية كبيرة تؤكد تحسينات كبيرة في مقاييس التفاعل الرئيسية.