يعد تأثير ماثيو أحد أبرز التحديات التي تواجه أنظمة التوصية (Recommender Systems) حيث يتعرض المحتوى الشهير لمزيد من الاهتمام، بينما يظل المحتوى الأقل شهرة مهملاً. بينما حاولت العديد من الأساليب معالجة هذا التأثير في سيناريوهات التوصية الثابتة أو شبه الثابتة، فإن المشكلة تصبح أكثر حدة مع مرور الوقت وزيادة تفاعل المستخدمين مع النظام.

نقدم لكم إطار عمل جديد يحمل اسم "HiCore"، وهو اختصار لـ "Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation". يهدف HiCore للتعامل مع تأثير ماثيو في نظام التوصية الحواري (Conversational Recommender System) من خلال تعزيز حلقة التغذية الراجعة الديناميكية بين المستخدم والنظام. يعتمد HiCore على تعلم اهتمامات المستخدمين المتعددة المستويات من خلال بناء مجموعة من الهايبرجرافات (Hypergraphs)، والتي تشمل هايبرجرافات متعددة القنوات موجهة إلى العناصر، الكيانات، والكلمات.

أظهرت التجارب الواسعة على أربع مجموعات بيانات قائمة على أنظمة التوصية الحواري نتائج مذهلة، حيث حقق HiCore أداءً رائدًا جديدًا في التقنيات المتاحة حاليًا، مما يبرز فعاليته في الحد من تأثير ماثيو.

إذا كنت مهتمًا بالتطورات في مجال أنظمة التوصية، يمكنك استكشاف التعليمات البرمجية الخاصة بـ HiCore المتاحة على GitHub عبر الرابط: [https://github.com/zysensmile/HiCore]. هل تعتقد أن هذه التقنية ستغير طريقة تعاملنا مع أنظمة التوصية؟ شاركونا آرائكم في التعليقات!