اكتشاف الأسرار وراء معرفات الدلالة: من تمثيل العناصر إلى توصيات ذكية جيلية

في عالم الذكاء الاصطناعي، أصبحت معرفات الدلالة (Semantic IDs - SIDs) جزءاً أساسياً من أنظمة التوصية الجيلية. تلعب هذه المعرفات ثلاث أدوار رئيسية: تنظيم العناصر ذات الصلة من خلال بادئات مشتركة، تحديد العناصر الفردية، وتضييق الخيارات التي يمكن إعادتها عبر توكنات توليدية. يتناول البحث الحالي دراسة شاملة لمعرفات الدلالة بدءًا من تشفير العناصر إلى إنشاء المعرفات ثم التوليد ذاتياً وآلية التوصية النهائية.

على الرغم من أن البحث يغطي ثلاثة مجالات في أمازون وثمانية أشكال لمعرفات الدلالة، فإن النتائج تظهر أن المناطق المحيطة بالمعرفات لا تستعيد سوى 32.2% من أقرب الجيران في التشفير. ورغم أن أوصاف العناصر البديلة لا تزال تحقق العنصر المقابل في 99.57% من الحالات الضابطة، إلا أنها تغيّر 38.4% من المعرفات الدقيقة. يُظهر هذا أن معرفات الدلالة، على الرغم من قدرتها على تنظيم العناصر بشكل عام، فإنها تفقد الكثير من التركيب المحلي الدقيق، مما يؤثر سلباً على جودة التوصيات أثناء العملية.

بعد إدخال التوكن الدلالي النهائي، تحتفظ التقنية الجديدة المسماة (TIGER) بنسبة 29.9% فقط من الأهداف المحتجزة التي كانت تعتبر توصيات قابلة للتطبيق قبل تصفية معرفات الدلالة. بناءً على هذه النتائج، تم اقتراح طريقة جديدة تُدعى (Item-Supported Decoding - ISD)، وهي تقنية خفيفة تتطلب وقت استنتاج أقل، مما يسمح بتقييم العناصر حسب تفضيلات المستخدم لدعم بادئات معرفات الدلالة قبل التصفية.

تظهر التجارب أن استخدام ISD يُحسن من دقة التوصيات (NDCG@10) في جميع الإعدادات المُقيمة، مع تحقيق مكاسب تصل إلى 31.2%. لذلك، بينما تقدم معرفات الدلالة تنظيمًا مفيدًا للعناصر، فإن الحدود الدقيقة لا ينبغي أن تحدد وحدها العناصر المتاحة أثناء عملية التوليد.