في عالم حديث مليء بالمعلومات، يحتاج مقدمو التوصيات إلى أدوات قوية لفهم تفضيلات المستخدمين بشكل أفضل. يتيح نموذج توصيات السلوك المتعددة (Multi-Behavior Recommendation - MBR) جمع تفاعلات المستخدم المختلفة مثل المشاهدات والنقرات والمشتريات، لتحسين نمذجة التفضيلات والتقليل من مشاكل تشتت البيانات. ومع ذلك، فإن الأساليب الحالية لم تواجه بشكل كافٍ التحديات المتعلقة بالتعقيدات الناتجة عن تأثيرات سلوكية المستخدم وتوزيعات السلوك المتعددة.

لذلك، تم تقديم MCLMR، وهو إطار تعلم سببي غير مرتبط بالنماذج، يمكن دمجه بسلاسة في هياكل MBR المتعددة. يقوم MCLMR في البداية بإنشاء رسم بياني سببي لنمذجة تأثيرات التداخل، مما يتيح تقديرًا غير متحيز للتفضيلات. وتحت هذا الإطار، يستخدم MCLMR وحدة الجمع التكيفية المستندة إلى أسلوب خلط الخبراء (Mixture-of-Experts) لدمج معلومات سلوك المساعدين بطريقة ديناميكية، بالإضافة إلى وحدة التعلم التبايني القائمة على الانحياز (Bias-aware Contrastive Learning) لمواءمة تمثيلات السلوك المختلفة.

تظهر التجارب الشاملة على ثلاث مجموعات بيانات حقيقية أن MCLMR يتفوق بشكل ملحوظ على مختلف نماذج الأساس، مما يثبت فعاليته وعموميته. سيبقى الكود والبيانات متاحة للجمهور، مما يمنح الباحثين والمطورين فرصة للاستفادة من هذا الإطار المتقدم.

هل تعتقد أن MCLMR سيحدث فارقًا في تجارب التوصية؟ شاركونا آراءكم في التعليقات!