في عالم الذكاء الاصطناعي (Artificial Intelligence)، تلعب أنظمة التوصية (Recommender Systems) دورًا حاسمًا في توجيه اختيارات المستخدمين من خلال تقديم خيارات شخصية تعتمد على تفضيلاتهم. ومع تطور هذه الأنظمة، برزت أنظمة التوصية الجيل الجديد (Generative Recommenders) كمحور فنّي بتقنية متطورة توفر توصيات مخصصة للغاية.

ومع ذلك، لا تزال هذه الأنظمة تواجه تحديًا كبيرًا يتمثل في انحياز الشهرة (Popularity Bias)، حيث تفضل الخيارات الشائعة على تلك الأقل شهرة، مما يؤثر سلبًا على تجربة المستخدم. استنادًا إلى دراسات سابقة، حاولت بعض الأبحاث تطبيق أساليب تصحيح الانحياز التقليدية على هذه الأنظمة، لكن فعاليتها كانت محدودة. ولعلاج هذه القضية، يسعى الباحثون إلى فهم العوامل الأساسية التي تؤدي إلى انحياز الشهرة في أنظمة التوصية الجيل الجديد.

تتركز دراسة جديدة على تحسين إطار العمل الجيل الجديد وعملية تحويل العناصر بناءً على المؤشر الدلالي، حيث تحدد التحليلات النظرية أن انحياز الشهرة الشديد ينشأ من وجود عيوب في مستوى التشفير وعدم تفرد خصائص تغيير العناصر. لتجاوز هذا الفجوة، تم تطوير نظام توصية مبتكر يُدعى 'Ghost' من خلال تصميم تحسين غير متكافئ وتخصيص العناصر عبر قاعدة هيكلية.

أظهرت التقييمات التجريبية الواسعة التي أجريت على ثلاثة قواعد بيانات، مقارنةً بعدد من النماذج المعيارية المتطورة (SOTA)، أن نظام 'Ghost' يُخفف بدرجة كبيرة من انحياز الشهرة ويعزز توصيات أكثر إنصافًا، مع تأثير طفيف على الأداء العام للتوصيات.

إن معالجة انحياز الشهرة في أنظمة التوصية ليست مجرد تقدم تقني، بل هي خطوة نحو تعزيز تجارب المستخدمين وجعل الفضاء الرقمي أكثر تنوعًا وشمولية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.