في العصر الحديث، أصبحت نماذج اللغات الكبيرة (Large Language Models) جزءاً أساسياً من أنظمة التوصية، مما يتيح تحسينات ملحوظة في الأداء. ومع ذلك، تبقى الكثير من الأسئلة حول مدى الاستفادة من هذه النماذج عندما يتم دمجها ضمن أنظمة التوصية المنظمة. في هذا السياق، تم الإعلان عن MARS، وهو إطار عمل متقدم لإعادة ترتيب التوصيات الغذائية المتكررة.

يعمل MARS كنموذج هجين منظم يهدف إلى دراسة فعالية نماذج اللغات الكبيرة عند دمجها مع تقنيات استرجاع تعاونية خفيفة وعوامل تصفية سياقية. يتم تنفيذ عمل الإطار على مرحلتين: الأولى تتعلق بتوقع النمط الغذائي، تليها عملية ترتيب البائعين. يتكامل MARS بشكل ذكي بين إشارات تفضيلات عالمية تعتمد على LightGCN، وأدلة محلية قائمة على Swing، بالإضافة إلى عوامل تصفية جغرافية، واستدلال نماذج لغوية مدفوعة بالسياقات السلوكية والزمانية والجغرافية.

تم تقييم فعالية MARS على معيارين حقيقيين من Delivery Hero، وهما DHRD-SE وDHRD-SG، حيث تم مقارنتها بأساليب مختلفة مثل القوائم التوجيهية، والتحليل التسلسلي، والنظم القائمة على الرسوم البيانية. أثبتت دراستنا عدة نقاط رئيسية: أولاً، تقديم إطار عمل مرن ومتعدد الوكلاء يعزز إعادة ترتيب التوصيات الغذائية المتكررة باستخدام إشارات تعاونية. ثانياً، عرضت النتائج أن النماذج القوية السابقة يمكن أن تكون تنافسية جداً في توقعات الطلب المتكرر عند اقترانها باسترجاع تعاوني خفيف. ثالثاً، قدمت الدراسة بيئة تقييم قابلة لإعادة الإنتاج لأساليب التوصية الهجينة المدعومة بنماذج لغوية في مجال توصيل الطعام.

إذا كنت من المهتمين بتطورات الذكاء الاصطناعي والتقنيات المتعلقة بتوصية الطعام، فإن MARS هو مشروع يستحق المتابعة. ما رأيكم في هذا التطور؟ شاركونا أفكاركم في التعليقات!