في الآونة الأخيرة، حققت أنظمة التوصية (Recommender Systems) تطورات ملحوظة بفضل النمذجة التوليدية. ولكن، تواجه هذه الأنظمة تحديات عند تقديم قوائم مرتبة من العناصر، حيث ينبغي عليها تلبية أهداف متعددة تتجاوز مجرد الصلة بالسياق، مثل قيود معينة على خصائص العناصر أو اعتبارات العدالة.

تستند الأساليب الحالية المتبعة في الحصول على توصيات متعددة الأهداف إلى تقنيات معالجة لاحقة، والتي لا تأخذ بعين الاعتبار الطبيعة التسلسلية لأنظمة التوصية التوليدية، أو تضمين أهداف مساعدة مباشرة في عملية تدريب النموذج، مما قد يكون غير عملي في الأنظمة ذات النطاق الواسع.

لذا، نقدم طبقة جديدة للتحليل في وقت الاستدلال والتي تعزز من الأنظمة التوليدية وتعتمد على تقنية آلية تحسين متعددة الأهداف، تسمح بإنتاج قوائم تتسم بالتوازن بين الصلة والأهداف الإضافية. تقوم هذه الطبقة باختيار العناصر بشكل تسلسلي وتعدّل التوازن بين الأهداف وفقًا للقيود المتبقية، مما يعني كيفية تلبية كل هدف بشكل كامل.

تم تطبيق هذه التقنية باستخدام نظام تقدير أولي ثنائي العوامل والذي يحقق توازناً بين الأهداف أثناء عملية التوليد. وقد تم تقديم ضمانات نظرية بشأن انتهاك القيود والندم، بالإضافة إلى تقييم هذه الطريقة من خلال تجارب مكثفة عبر الإنترنت وعبر تجارب A/B في أنظمة توصية حقيقية.

تشير النتائج إلى تحسين مستمر في التوازن بين الأهداف المتعددة، بما في ذلك زيادة بنسبة 1.8% في تحقيق الأهداف المساعدة دون التأثير على رضا المستخدم.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.