في عالمنا الرقمي اليوم، تعاني العديد من المنصات من مشكلة العزلة المعلوماتية، حيث تقيدها قدرتها على تقديم تمثيلات شاملة للمستخدمين عبر مجالات متنوعة. ولحل هذه المشكلة، طُورت أنظمة توصية عابرة للمجالات، تهدف إلى نقل المعرفة من مجال إلى آخر، لكنها غالباً ما تعتمد على افتراضات غير واقعية مثل تداخل المستخدمين أو العناصر المشتركة بين المنصات.

تقدم الدراسة الجديدة SPHERE (الشخصيات الدلالية للتوصيات العبر مجالية المتغايرة)، وهي ابتكار يُتيح نقل المعرفة بين مجالات منفصلة تمامًا، حيث لا يتواجد مستخدمون أو عناصر مشتركة. بدلاً من محاذاة المجالات عبر الهويات أو بنية الشبكة، تستخدم SPHERE نماذج لغوية كبيرة (Large Language Models) لإنشاء معجم سلوكي مشترك، وتوليد شخصيات دلالية منظمة للمستخدمين.

تساهم هذه الشخصيات في استرجاع مجتمعات سلوكية مشابهة من المجالات الأصلية، مكونةً ما يُعرف باسم شخصية المجتمع المصدر. يتم دمج هذه الإشارة الدلالية مع إشارات تعاونية من خلال معمارية ثنائية البرج وبوابة دمج ديناميكية، ما يسمح لـ SPHERE بتعزيز الأنظمة الأساسية التقليدية للتوصيات.

تشير التقييمات التجريبية عبر منصات مثل Amazon Books وGoodreads وSteam إلى تحسينات ثابتة مقارنة بأساليب مثل NCF وSVD++ وLightGCN. وتظهر النتائج أن فعالية النقل عبر المجالات لا تتوقف فقط على القرب الدلالي بين المجالات، بل تعتمد بشكل حاسم على الكثافة الهيكلية والقوة التنبؤية الأصلية للمجال المستهدف.

تساهم هذه الدراسة في بحوث نظم المعلومات من خلال إعادة مفهوم التخصيص العابر للمجالات كـ "محاذاة دلالية قائمة على السلوك"، مما يوفر آلية عملية لكسر الحواجز المعلوماتية دون المساس بالشفافية أو القابلية للتجزئة.