في عصر الذكاء الاصطناعي التوليدي (Generative AI)، تتجه أنظمة التوصية من تقديم تنبؤات دقيقة إلى توليد توصيات موثوقة وقائمة على رغبات المستخدمين. تعتمد هذه الأنظمة على نماذج اللغات الضخمة (Large Language Models) التي تتيح لها استنتاج اهتمامات المستخدمين وإنتاج تفسيرات بلغة طبيعية.

ومع ذلك، تواجه أنظمة التوصية المعتمدة على نماذج اللغات الضخمة عقبة أساسية: تحيز الشعبية. فمن خلال التدريب المسبق على مجموعات ضخمة من النصوص، تميل هذه النماذج إلى الاعتماد على إحصاءات عالمية وإشارات الاتجاهات، مما يؤدي إلى تقديم توصيات تتبع الشعبية بدلاً من تفضيلات المستخدم الحقيقية.

لذا، تم اقتراح إطار عمل جديد تحت اسم "إزالة تحيز الشعبية في أنظمة التوصية المعتمدة على نماذج اللغات الضخمة عبر إرشادات التفكير المضاد للواقع" (Neutralizing Popularity Bias in LLM-based Recommendation via Counterfactual Reasoning Guidelines). تهدف هذه الإرشادات إلى التخفيف من تحيز الشعبية من خلال تدخلات دلالية خارجية.

يعتمد نظام NPRec على تحسين التفكير المضاد للواقع للفصل بعناية بين الاهتمامات الحقيقية للمستخدمين والمطابقة القائمة على الشعبية. كما يقوم بإنتاج إرشادات نصية غير متحيزة تعكس تفضيلات المستخدم الفعلية، والتي تُدخل في زمن الاستدلال لتحويل نموذج اللغة الضخمة من جيل غير محدد إلى تفكير موجه، من دون الحاجة لتحديث أي من المعلمات.

وقد أظهرت تجارب مكثفة على ثلاثة مجموعات بيانات حقيقية أن NPRec يحقق أداءً واعداً في دقة التوصيات وجودة التفسيرات وقدرته على إزالة التحيز.

فهل تعد هذه الطريقة الجديدة خطوة نحو تحسين تجربة المستخدم في أنظمة التوصية؟ شاركونا آرائكم في التعليقات!