في عالم الذكاء الاصطناعي، يُعتبر توليد التراكيب النصية عن طريق نماذج اللغات (Language Models) من المهام الأكثر تحديًا. حيث يتطلب هذا النوع من التوليد تصنيفات مرنة وارتباطًا عالميًا بين المرشحين ومواقع الخرج. في هذه الدراسة، نستكشف التصميمات المختلفة لنماذج Diffusion ونعرض ثلاثة طرق جديدة للتوقع: التركيب الصعب (Hard-assignment prediction)، التركيب اللين (Soft-assignment prediction)، والتسلسل المباشر لتوقع النقاط (Direct ordering-score prediction) مع الفرز.

تستخدم الدراسة هذه أساليبها الثلاثة في إعادة ترتيب التوصيات عبر ثلاث مجالات لأمازون، مع مجموعات مرشحين تضم 10 و20 عنصر. أظهرت النتائج مقارنة قوية بين أساليب التركيب الصعب واللين في الحصول على نسبة استرجاع (Recall@1) تعادل الأساليب التقليدية. أما التسلسل المباشر، فقد أظهر قدرة على ضمان ترتيبات صحيحة دون الحاجة إلى تعيين هنغاري أو تطبيع Sinkhorn.

على الرغم من أن التقييمات الإضافية لم تظهر تحسنًا ثابتًا في جودة الترتيب، فإن تأثير معايير التصميم والدوافع التدريبية يعود بالنفع على النتائج النهائية. يقدم هذا البحث رؤى جديدة حول كيفية تصميم وظائف التنبؤ بالتعاون مع مستويات الفساد وتمثيل الحالة، ما يمهد الطريق لإمكانيات مبتكرة في تطور الذكاء الاصطناعي.