في عالم الذكاء الاصطناعي، تُعتبر نماذج اللغة الكبيرة (LLMs) أحد أبرز التقنيات المستخدمة لفهم وتوقع تفضيلات المستخدمين. ومع ذلك، توجد بعض الفجوات في كيفية معالجة هذه النماذج للمعلومات، حيث قد تكون التبريرات التي تقدمها خادعة أو غير فعّالة في التأثير على ترتيب التوصيات.

لملء هذه الفجوة، تم تقديم إطار عمل جديد يُعرف باسم PROVE-REC، الذي يتيح استنتاج تفضيلات المستخدمين من خلال دليل قوي وقابل للتحقق. يتألف هذا الإطار من مرحلتين رئيسيتين:

- **المرحلة الأولى** (Pass A): تقوم بتحويل سجل المستخدم التاريخي إلى إثبات تفضيل مضغوط يشمل المزاعم الإيجابية ومزاعم التهرب، مرتبطة بالأدلة المختارة.
- **المرحلة الثانية** (Pass B): تتنبأ بالعنصر التالي فقط باستخدام الإثبات والأدلة المحددة، مما يمنع النموذج من تجاوز مسار التفكير.

تم إجراء تجارب شاملة على مجموعات بيانات حقيقية متنوعة، وأظهرت النتائج أن PROVE-REC يفوق بشكل مستمر النماذج القوية السابقة بنسبة تصل إلى 7.45%. هذا النموذج الجديد لا يُحسن فقط من دقة التوصيات، بل أيضاً يضمن أن تكون الادعاءات أكثر ارتباطاً بالأدلة التاريخية وفعّالة في التأثير على نتائج التصنيف.

في ختام هذا التطور المثير، نتطلع إلى مستقبل تتاح فيه للمستخدمين توصيات مدعومة بأدلة قوية وقابلة للتحقق.

ما هي توقعاتكم حول تأثير PROVE-REC على تقنية التوصيات في المستقبل؟ شاركونا آراءكم في التعليقات!