يتجه عالم التوصيات بشكل متزايد نحو النماذج التوليدية (Generative Models) التي تجمع بين الأنماط التسلسلية (Sequential Patterns) والمعلومات الدلالية (Semantic Information) حول العناصر. لكن هل تلك النماذج تحتاج بالفعل إلى كل هذه التعقيدات لإثبات كفاءتها؟

في دراسة حديثة، تم استخدام خوارزمية بسيطة تعتمد على رسم بياني (Graph) لتقييم فعالية نماذج التوصية. هذه الخوارزمية لا تتطلب أي ترميز تسلسلي (Sequence Encoding) أو تدريب مسبق، ورغم ذلك، استطاعت أن تُحقق نتائج مذهلة تتفوق على العديد من النماذج الحديثة.

توضح النتائج أن الأداء العالي لهذه الخوارزمية يشير إلى قابلية التوجيه السهل (Shortcut Solvability)، وليس مجرد نتاج خوارزمية واحدة. وقد تم تحديد ثلاث هياكل تسهل توقع العنصر التالي، مثل الانتقالات المحلية ذات الفرع المنخفض (Low-Branching Local Transitions) والانتقالات السلسة من الميزات (Feature-Smooth Transitions)، بالإضافة إلى الاعتماد المحدود على تاريخ المستخدم الطويل.

تُظهر الدراسة كذلك أن ترتيب النماذج يختلف بشكل كبير بناءً على خصائص مجموعة البيانات المستخدمة، لكن الخوارزمية تبقى تنافسية في 10 من أصل 14 مجموعة بيانات تم تقييمها.

تشير النتائج إلى أن الأداء القوي على المعايير القياسية لا يُظهِر دائماً كفاءة النماذج المتقدمة في النمذجة التسلسلية والدلالية. لذا، يُوصى بإجراء تحليل دقيق لمجموعات البيانات واختيارها بعناية عند استخدامها كمعايير لدعم الادعاءات المتعلقة بالنماذج الجديدة للتوصية.