تعتبر أنظمة التوصية التفاعلية (CRSs) من العناصر الأساسية في أنظمة التوصية الذكية الحديثة، حيث تتيح للمستخدمين التعبير عن تفضيلاتهم بطرق أكثر واقعية ومرونة. بيد أن هذه الأنظمة تواجه عقبتين رئيسيتين: تقييم أدائها والحصول على بيانات التدريب المطلوبة.

تقييم أنظمة CRSs من خلال دراسات حقيقية مع مستخدمين يُعد أكثر أهمية مما هو عليه في أنظمة التوصية التقليدية، ولكن هذه الدراسات غالباً ما تكون مكلفة وتستغرق وقتًا طويلاً. بالإضافة إلى ذلك، فإن بيانات التفاعل في CRSs عادة ما تكون صعبة الحصول عليها بسبب مخاوف الخصوصية.

في هذا السياق، أظهرت نماذج اللغة الضخمة (Large Language Models) القائمة على محاكاة المستخدمين وعودًا كبيرة في معالجة هذين التحديين. فهي قادرة على إنشاء تفاعلات مستخدمين اصطناعية تُستخدم لأغراض التقييم والتدريب. ومع ذلك، تعاني الطرق الحالية من انحياز إيجابي منهجي، وتسرب البيانات، ونقص التنوع في السلوكيات، وتعتمد على هندسة النصوص يدويًا، مما يتطلب خبرة واسعة في المجال.

استنادًا إلى هذه التحديات، نقترح إطارًا لتحسين النصوص بشكل تلقائي لمحاكاة المستخدمين في أنظمة CRSs. تساعد هذه الطريقة في تخفيف المشكلات المطروحة، وقد أظهرت النتائج التجريبية أن الإطار المقترح يحقق توافقًا أفضل مع أنماط تفاعل البشر مقارنة بالطرق التقليدية عبر إعدادات نصوص متنوعة. لذا، يُعد هذا البحث خطوة رائدة نحو تعزيز كفاءة أنظمة التوصية التفاعلية وتقديم تجربة مستخدم غنية ودقيقة.