تشهد خوارزميات التوصية تحولًا جذريًا مع ظهور مجموعة واسعة من هذه الحلول المستندة إلى تقنيات التعلم العميق (Deep Learning)، والتي أثبتت كفاءتها على العديد من مقاييس التوصية القياسية. هذا البحث يعكف على دراسة الأداء المتشابه لتلك النماذج وما إذا كان هذا التلاقي محض صدفة أم أنه يمكن دمجه ضمن إطار عام موحد.

النتائج توصلت إلى أن جميع النماذج القيادية الخطية تضيف فعليًا مجرد منتظم يقوم على قاعدة النور (Nuclear Norm) أو قاعدة فروبينياس (Frobenius Norm). في حين أن النماذج المعتمدة على قاعدة النور تتمتع بهيكل صارم (Rigidity) قد يقيد القدرة التنبؤية للنماذج، إلا أن حلولها تكون ذات رتبة منخفضة وشكل مغلق. من جهة أخرى، فإن النماذج المعتمدة على قاعدة فروبينياس تعزز التعبير والكفاءة في التوصية، ولكن حلولها تتطلب إجراءات عددية صعبة الضبط مثل طريقة ADMM.

في هذا السياق، نقترح حلول جديدة منخفضة الرتبة ذات شكل مغلق، وهي ناتجة عن توسيع مدروس للمنظمين المعتمدين على قاعدة فروبينياس. هذه الحلول الجديدة تجمع بين مزايا كل من نموذج قاعدة النور وقاعدة فروبينياس، مما يتيح تحقيق توازن مثالي بين الأداء والكفاءة.

ما هي آراءكم حول تأثير هذه النماذج الجديدة على مستقبل خوارزميات التوصية؟ نتطلع لقراءة آرائكم في التعليقات!