في عالم الذكاء الاصطناعي، تلعب نماذج اللغات الضخمة (Large Language Models) دورًا محوريًا في تعزيز نماذج التوصية القائم على المعلومات (Foundation Recommendation Models). ومع ذلك، تواجه هذه النماذج تحديات كبيرة في تحسين أداء التوصيات دون الحاجة إلى توليد مبررات طويلة قد تؤدي لزيادة الحمل على الأنظمة.

لذا، تم تقديم WhisperRec كحل مبتكر. يتميز هذا الإطار الجديد بإمكانية التفكير الكامن، حيث يتم ضغط مبررات معلم النموذج (Chain-of-Thought) إلى رموز تفكير كامنة قابلة للتعلم، مما يسمح بإجراء عمليات التفكير داخل فضاء كامن دون الحاجة لإنتاج مبررات مفصلة.

تتضمن الاستراتيجية الجديدة تقنية Multi-View Adaptive CoT (MV-ACoT) التي تمكن من بناء إشراف عالي الجودة من جوانب مختلفة لفهم اهتمامات المستخدمين. كما يتم ضبط تعقيد التفكير وفقًا لكل حالة، مما يسمح بإجراء تحليلات خفيفة للحالات الواضحة وتحليلات متعددة العوامل للحالات الأكثر تعقيدًا.

بالاعتماد على نموذج توصية مدرب مسبقًا، يعكس WhisperRec عملية محاذاة تفكير كامن تستمر على ثلاث مراحل، تعمل على دمج مبررات المعلم في تمثيلات كامنة. وفي النهاية، يتم تفعيل التفكير الكامن للرموز من خلال عملية تدريب جديدة لاستدامة الأداء الجيد في تقديم التوصيات.

أظهرت التجارب على مجموعة بيانات كوايشو (Kuaishou) أن WhisperRec يتفوق بشكل ملحوظ على الطرق التقليدية، محققًا تحسنًا بنسبة 17.44% في الأداء مقارنة بالطُرق السابقة، فضلاً عن زيادة كبيرة في سرعة التفاعل عبر الإنترنت.