في عالم الذكاء الاصطناعي، تأتي الابتكارات في شكل نماذج جديدة تحاول تحسين الفهم والتفاعل مع البيانات. ومن بين هذه الابتكارات، يبرز نموذج QueryFormer الذي سجّل إنجازًا ملحوظًا في تحدي UniRec 2026 الذي تنظمه شركة Tencent.

تتطلب توقعات نسبة التحويل بعد النقر (Post-click conversion rate - pCVR) نمذجة متزامنة لتفاعلات الميزات وسلوكيات المستخدمين المتعاقبة. في هذا السياق، جاء تحدي KDD Cup 2026 لإعطاء فرصة للفرق لتطوير هندسة معمارية موحدة تعالج هذين الجانبين.

تضحى النماذج المعمارية الموحدة الحالية غالبًا قاصرة، حيث تولد الرموز الاستعلامية - محور المعلومات الرئيسي - باستخدام الشبكات العصبية متعددة الطبقات (Multi-layer Perceptrons - MLPs) دون وضع اهتمام واضح بين الرموز والاستعلامات لتحسين الجانب الاستعلامي. لذا، تقدم QueryFormer حلاً مبتكرًا يتمحور حول كتلة موحدة قابلة للتراص تربط بين الميزات غير التسلسلية وتتابعات السلوك.

من خلال هذا التركيب، يتم إنتاج الاستعلامات باستخدام اهتمام متبادل، مما يسهم في تعبئة استعلامات السلسلة ضمن اهتمام مشترك مع الحفاظ على فعالية الأداء. وبفضل هذه الابتكارات، حقق QueryFormer المرتبة الأولى في القطاع الصناعي بتسجيله مستوى رسمي تحت منحنى ROC (ROC AUC) يصل إلى 0.83254، ومع زيادة في مقياس ما بعد المنافسة تم تسجيل 0.832713.

تُظهر البيانات أن تحسينات المقياس H تعزز معدل ال AUC من 0.84540 إلى 0.84615، متفوقة على النموذج HyFormer ضمن ميزانيات مشابهة. بحمد الله، التحديد في التحسين يشير إلى أن إنتاج الاستعلامات كان أكبر مساهم في هذا النجاح. ولعل ما يثير الإعجاب هو أن مستوى استعلامات العبور المعتمدة على المعلمات المشتركة保持ت زمن استنتاج H=8 عند 1.89 مرة فقط من زمن H=1، مما يعزز من فعالية الكتلة الموحدة القابلة للتراص.

ما رأيكم في هذا التطور الرائع في عالم الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!