تسعى أنظمة التوصية المعتمدة على الشبكات العصبية الرسومية (Graph Neural Networks) إلى تحسين تجربة المستخدم من خلال تحليل تفاعلات المستخدمين مع العناصر. ومع ذلك، تواجه هذه الأنظمة مشكلة معروفة تُعرف بانحياز الشعبية، حيث تميل إلى التوصية بالعناصر الشهيرة بشكل مفرط، مما يؤدي إلى انخفاض مستوى التخصيص وفتح المجال لعدم العدالة في التعرض وانخفاض تنوع التوصيات.

لمعالجة هذه القضية المعقدة، تم اقتراح PBiLoss، وهي وظيفة خسارة جديدة مبنية على التحجيم (Regularization) تهدف بشكل صريح إلى مكافحة انحياز الشعبية في أنظمة التوصية المعتمدة على الرسوم.هذه الوظيفة تضيف حوافز جديدة لأهداف التدريب التقليدية، حيث تعاقب ميل النموذج نحو العناصر الشائعة، مما يشجع على تقديم محتوى أقل شهرة لكن ربما يكون أكثر تخصصًا.

لتعزيز مرونة هذه المقاربة، تم إدخال استراتيجيتين جديدتين للعينات: الإيجابية الشائعة (Popular Positive) والسلبية الشائعة (Popular Negative). وتستكشف هذه الطرق أيضًا طريقتين للتمييز بين العناصر الشعبية، الأولى تعتمد على عتبة شيوع ثابتة، بينما الأخرى لا تستخدم أي عتبة، مما يجعل النهج قابلًا للتكيف.

تتميز PBiLoss بكونها مستقلة عن النموذج، مما يعني أنه يمكن دمجها بسهولة ضمن الأنظمة المتطورة مثل LightGCN ونسخها المختلفة. تشير التجارب الواسعة التي أُجريت على مجموعات بيانات تشمل Epinions وiFashion وMovieLens، إلى الفوائد الكبيرة لـ PBiLoss في تعزيز العدالة في التوصيات، حيث تساهم في تقليل مؤشر PRU وPRI بنسبة تصل إلى 10% مقارنة بالنماذج الأساسية الأخرى، مع الحفاظ على الدقة والمعايير القياسية الأخرى.

كيف تعتقد أن هذه التقنية ستؤثر على أنظمة التوصية في المستقبل؟ شاركونا آرائكم في التعليقات!