في عالم نظم التوصيات، كانت الطريقة التقليدية تعتمد على تصاميم تقييدية، مثل البحث في بنية الشبكات العصبية (Neural Architecture Search - NAS)، حيث كانت هذه الأنظمة تُحدد بفضاء بحث ثابت وضعه البشر، مما يحدّ من الابتكار إلى عمليات مُحددة مسبقًا.

ومع الابتكارات الأخيرة التي قادتها نماذج اللغات العملاقة (Large Language Models - LLM) في تطوير الأكواد، انتقل التركيز من الفضاءات الثابتة إلى مساحات برمجية مفتوحة بلا حدود. ومع ذلك، كانت هذه التقدمات تعتمد بشكل رئيسي على مقاييس عددية مثل NDCG ونسبة النجاح (Hit Ratio) التي لم تكن قادرة على تقديم رؤى نوعية حقيقية حول إخفاقات النماذج أو الاتجاهات اللازمة للتحسين.

واليوم، نُقدّم لكم Self-EvolveRec، وهو إطار عمل ثوري جديد يعتمد على إنشاء حلقة تغذية راجعة توجيهية. يعتمد هذا النظام على دمج محاكي المستخدم الذي يقدم انتقادات نوعية مع أداة تشخيص النموذج التي تتحقق من الجوانب الكمية. كما تم تقديم استراتيجية تشخيصية جديدة تُعرف بتطور النماذج المشتركة (Model Co-Evolution) لضمان أن معايير التقييم تتكيف ديناميكيًا مع تطور هيكل التوصية.

تظهر التجارب الشاملة أن Self-EvolveRec يتفوق بشكل كبير على الأنظمة الحالية المعتمدة على NAS ونماذج LLM في كل من الأداء على مستوى التوصيات ورضا المستخدمين. يمكنكم الوصول إلى الشيفرة المصدرية لهذا النظام الرائع عبر الرابط التالي: https://github.com/Sein-Kim/self_evolverec.

ما رأيكم في هذا التطور في نظم التوصية؟ شاركونا في التعليقات!