تتسارع الابتكارات في عالم التسوق الذكي، حيث تعتمد الوكلاء المعتمدون على نماذج اللغات الضخمة (Large Language Models) بشكل متزايد على تاريخ الشراء الطويل والتفاعلات المتعددة الأدوار لتعزيز تجربة المستخدم. ولكن يُعتبر الجمع العشوائي لتاريخ الشراء الأولي غير فعال، إذ يواجه العديد من التحديات من حيث الضوضاء وطول البيانات ونقص التوافق.

لذلك، تم تقديم "MemRerank"، وهو إطار عمل لذاكرة التفضيلات (Preference Memory) يقوم بتقطير بيانات تاريخ الشراء للمستخدمين إلى إشارات مختصرة ومستقلة عن الاستعلام، مما يعزز تصنيف المنتجات بشكل شخصي.

ولدراسة فعالية هذا الإطار، تم بناء معيار تقييم شامل يركز على مهمة الاختيار "1 في 5" المعتمدة على نماذج اللغات الضخمة، والتي تقيس جودة الذاكرة وفائدة إعادة الترتيب. تم تدريب مستخرج الذاكرة باستخدام التعلم المعزز (Reinforcement Learning)، حيث تم استخدام أداء إعادة الترتيب كأداة إشرافية.

أظهرت التجارب مع اثنين من أدوات إعادة الترتيب المعتمدة على نماذج اللغات الضخمة أن "MemRerank" يتفوق باستمرار على وخيارات الذاكرة الأخرى المعتمدة على التاريخ الخام، حيث حقق زيادة تصل إلى 10.61 نقطة في دقة 1 في 5.

تشير هذه النتائج إلى أن استخدام ذاكرة التفضيل بشكل صريح يمثل لبنة عملية وفعالة لتعزيز تخصيص تجربة التسوق في أنظمة التجارة الإلكترونية المعتمدة على الذكاء الاصطناعي. هل أنتم مستعدون لهذه الثورة في تجربة التسوق؟