شهدت أنظمة التوصيات المعتمدة على النوايا (Intent-based Recommender Systems) تحولًا كبيرًا في السنوات الأخيرة، حيث أصبح بإمكانها تحسين دقة ودلالات الاختيارات المقدمة للمستخدمين من خلال فهم شامل للاستجابات والسلوكيات. ومع ذلك، فإن العديد من النماذج الحالية تعتمد على تقنيات مثل التجميع (Clustering) أو التعلم النموذجي (Prototype Learning) لاستخلاص النوايا، مما يجعلها حساسة لجودة البيانات، وتتطلب تحديدًا مسبقًا لعدد النوايا، بل وتفتقر إلى أساس دلالي واضح. هذا الأمر يؤثر سلبًا على فاعلية التوصيات واقتراحات المنتجات.

في هذا السياق، يقدم البحث الجديد نموذجًا مبتكرًا يدعى SAERec، والذي يعتمد على استخدام مُشفّر تلقائي نادر (Sparse Autoencoder) لبناء مساحة نية دقيقة وقابلة للتفسير من مجموعة نصية، وذلك بهدف تحسين نظام التوصيات.

بدلاً من اعتبار النصوص كمجرد إشارات ثانوية، يستفيد SAERec منها كأدلة ذات كثافة معلومات عالية لاستخلاص النوايا. يبدأ النموذج باستخراج مجموعة شاملة من النوايا القابلة للتفسير من الفضاء الكامن لنماذج اللغات الضخمة (Large Language Models)، مستخدمًا المُشفّر التلقائي النادر لفصل دلالات النية عن الضجيج النصي.

بعد ذلك، يقوم النظام باسترجاع النوايا ذات الصلة لكل مستخدم كأولويات توجيهية في عملية التوصيات. تشمل هذه النوايا نوايا شخصية تتناسب مع اهتمامات المستخدم الحالية، ونوايا عامة تلتقط أنماط العناصر المشتركة بين المستخدمين.

بفضل تقنية متعددة الفروع في آلية الانتباه (Multi-branch Attention Mechanism)، يمكن للنموذج التقاط الاعتماد الزمني وإدخال إشارات النية الشخصية والعامة، تليها طبقة دمج مرنة تُستخدم لبناء التمثيل النهائي للمستخدم من أجل التوصية.

تظهر التجارب الواسعة على مجموعات البيانات العامة تفوق SAERec بشكل مستمر على النماذج التقليدية، مما يوفر تفسيرات واضحة وسهلة الفهم للمستخدمين.