اكتشافات ثورية في توصيات إعادة الشراء عبر نماذج اللغة الضخمة: هل يمكننا تحسين الدقة؟

في عالم التجارة الإلكترونية المتسارع، تعتبر توصيات إعادة الشراء جزءًا أساسيًا من استراتيجيات التسويق. عادةً ما يتم تشكيل هذه التوصيات كمهام ترتيبية؛ حيث يقوم النظام بترتيب العناصر التي تم شراؤها سابقًا والتي قد يرغب العميل في اعادة شراءها مرة أخرى. لكن هل ترتيبات الدقة وحدها كافية؟

أظهر بحث جديد، مُعتمدًا على نماذج اللغة الضخمة (LLMs)، أن تقديم مبررات واضحة ومنطقية لماذا يتم توصية عنصر معين قد يكون له تأثير كبير على تجربة العملاء. تم تطوير هذه المبررات لتكون قصيرة ومفهومة، مما يساعد العملاء في اتخاذ قراراتهم.

قامت الدراسة بتعريف ميزات إعادة الشراء التي تشمل التردد، والحداثة، وسلوك المستخدم، وشعبية العناصر، وتم تقييم نماذج اللغة الضخمة على مجموعة بيانات تضم سلاسل تجزئة عامة وأخرى خاصة. وقد تسائل الباحثون عن سؤالين رئيسيين:
1. هل يمكن لنماذج اللغة الضخمة المُتاحة تجارياً استخدام هذه الميزات كمقاييس لتعزيز الترتيب؟
2. هل تحمل الميزات المستندة إلى نماذج اللغة الضخمة اشارات جودة مرتبطة بالنتائج؟

أظهرت النتائج أن الدرجات التي حصلت عليها نماذج اللغة الضخمة لم تكن تنافسية مقارنةً بالنماذج الموضوعة تحت الإشراف، مما يُشير إلى أنه ينبغي عدم الاعتماد على هذه النماذج بشكل مستقل كتوصيات إعادة شراء. ومع ذلك، لوحظ أن تغيير طريقة الإدخال وتمثيل الأدلة يمكن أن يحسن نتائج المميزات المستندة إلى النتائج في بعض الإعدادات، رغم أن أداء الترتيب لا يتحسن دائمًا.

تشير هذه الدراسة إلى دور فعّال لـ LLMs كمكونات توضيحية مثبتة، بدلاً من كونها المدافعين الرئيسيين عن الترتيب، مع تقييم جودة المبررات بشكل مستقل عن دقة الترتيب. تعد هذه النتائج خطوة هامة نحو تحسين كيفية تقديم التوصيات للعملاء في عالم التجارة الإلكترونية.