ثورة جديدة في أنظمة التوصية: تحسينات مذهلة باستخدام استراتيجية تفكيك الكميات المتبقية

تواجه مرحلة ما قبل الترتيب (Pre-ranking) في أنظمة التوصية الصناعية تحديات كبيرة تتعلق بالتوازن بين الكفاءة والفعالية. فعلى الرغم من أن النماذج القوية مثل انتباه الهدف (Target Attention - TA) تتفوق في التقاط التفاعلات المعقدة بين الميزات في مرحلة الترتيب، إلا أن تكلفتها الحاسوبية العالية تجعل من الصعب استخدامها في مرحلة ما قبل الترتيب، التي تعتمد غالبًا على نماذج بسيطة مثل نماذج ضرب المتجهات (Vector-product models).

لتجاوز هذه الفجوة، تم تقديم إطار العمل TARQ. يعتمد TARQ على فكرة مستوحاة من النماذج التوليدية، حيث يزود مرحلة ما قبل الترتيب بهيكل تقريبي لـ TA من خلال تقنية تفكيك الكميات المتبقية (Residual Quantization). هذه الابتكار يسمح لنا بتطبيق قوة نمذجة TA خلال مرحلة ما قبل الترتيب الحساسة للزمن لأول مرة، مما يحدد معادلة جديدة بين الدقة والكفاءة.

أثبتت التجارب الواسعة التي أجريت في بيئة خارجية، بالإضافة إلى اختبارات A/B واسعة النطاق على موقع Taobao، تحسينات ملحوظة في أداء الترتيب. نتيجة لذلك، تم نشر نموذج TARQ بالكامل في الإنتاج، حيث يخدم عشرات الملايين من المستخدمين النشطين يوميًا، مما أدى إلى تحسينات ملحوظة في الأعمال.

لمزيد من التفاصيل حول TARQ، يمكنكم الاطلاع على الكود والبيانات المتاحة على GitHub.