← أحدث الأبحاث
🤖 machine learning

Click prediction boosting via Bayesian hyperparameter optimization based ensemble learning pipelines

تقترح هذه الورقة مسار تعلم تجميعي يعتمد على تحسين المعلمات الفائقة بطريقة بايزية، يجمع بين حذف الميزات والنماذج المكدسة لتحسين دقة التنبؤ بالنقر على الفنادق لوكالات السفر عبر الإنترنت بنسبة 10% تقريبًا.

المؤلفون الأصليون: Çağatay Demirel, A. Aylin Tokuç, Ahmet Tezcan Tekin

نُشر 2026-07-28
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Çağatay Demirel, A. Aylin Tokuç, Ahmet Tezcan Tekin

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل الإنترنت كأنه سوق رقمي ضخم وصاخب، يتجول فيه الملايين من الناس بحثاً عن المكان المثالي للنوم. وقبل أن يحجزوا غرفة، غالباً ما يقفزون إلى مواقع "البحث الشامل" (meta-search) — فكر في هذه المواقع كأنها متاجر مقارنة ضخمة مثل Kayak أو TripAdvisor — حيث يمكنهم رؤية الأسعار والتقييمات من عشرات الوكالات السياحية المختلفة في آن واحد. ولكي تلفت هذه الوكالات الأنظار في هذا السوق المزدحم، فإنها تدفع مقابل الإعلانات. لكن الجزء الصعب هنا هو أنها عادةً ما تدفع فقط عندما ينقر شخص ما بالفعل على إعلانها. فإذا أخطأت في تقدير السعر، قد تنفق ثروة على نقرات لا تحدث أبداً، أو والأسوأ من ذلك، قد تزايد بسعر منخفض جداً وتفقد آلاف العملاء المحتملين. لذا، فإن السؤال الكبير لهذه الوكالات هو: "إذا حددنا سعرنا عند هذا الرقم المحدد، فكم عدد الأشخاص الذين سينقرون بالفعل؟"

للإجابة على هذا، يستخدم العلماء فرعاً من علوم الحاسوب يسمى "تعلم الآلة"، وهو ببساطة تعليم الحواسيب كيفية إيجاد الأنماط في البيانات بدلاً من مجرد اتباع قواعد جامدة. إحدى الطرق الشائعة هي "التعلم الجماعي" (ensemble learning)، وهو يشبه تشكيل فريق خارق من المحققين. فبدلاً من الاعتماد على محقق واحد قد يغفل عن دليل ما، أنت تجمع فرقة كاملة، وتترك لكل منهم التحقيق في القضية، ثم تدمج نظرياتهم للوصول إلى إجابة أكثر دقة بكثير. تغوص هذه الورقة البحثية في ذلك العالم، محاولةً بناء الفريق الخارق من الخوارزميات للتنبؤ بنقرات الفنادق لوكالات السفر عبر الإنترنت.

سعى مؤلفو هذه الدراسة لحل لغز التنبؤ بالنقرات باستخدام مجموعة بيانات ضخمة من وكالة سفر رئيسية عبر الإنترنت في تركيا. لم يكتفوا بإلقاء خوارزمية واحدة على المشكلة؛ بل بنوا مساراً متطوراً لإنشاء "فريق الأحلام" من المتنبئات. أولاً، قاموا بتنظيف البيانات الفوضوية، وملء الفجوات المفقودة وإضافة سياق مفيد مثل تقارير الطقس ومدى قرب اليوم من عطلة رسمية. ثم استخدموا عملية تصفية ذكية (بناءً على أداة تسمى XGBoost) لاستبعاد المعلومات غير المفيدة والمزعجة، تاركين فقط الأدلة الأكثر أهمية.

بعد ذلك، قاموا بتدريب عشرة أنواع مختلفة من النماذج الرياضية، تتراوح بين الأنظمة القائمة على الأشجار المعقدة إلى المعادلات الخطية الأبسط. لكن السحر الحقيقي حدث عندما دمجوا هذه النماذج. لقد اختبروا أربع طرق مختلفة لخلط هذه النماذج: مجرد متوسط إجاباتها، أو إعطاء وزن أكبر للنماذج الأكثر ذكاءً، وتقنيتين متقدمتين تُعرفان بـ "التكديس" (stacking) و"المزج" (blending). التكديس يشبه وجود فريق أول من المحققين يكتب تقريراً، ثم يقوم فريق ثانٍ من كبار المحققين بقراءة تلك التقارير لاتخاذ الحكم النهائي. أما المزج فهو مشابه، لكن الفريق المتقدم يتاح له أيضاً النظر في الأدلة الأصلية مرة أخرى أثناء قراءة التقارير.

كانت النتائج واضحة تماماً. فبينما كانت النماذج الفردية جيدة، كان جهد الفريق أفضل بشكل ملحوظ. تشير الورقة إلى أن النهج الأفضل كان نموذج "التكديس المجمع" (stack ensemble)، وتحديداً عندما استخدم الفريق المتقدم أدوات بسيطة مثل الانحدار الخطي لتفسير تقارير الفريق الأول. حقق هذا النموذج الأعلى أداءً درجة (تسمى R² قدرها 0.63-0.639) وهي أفضل بنحو 10% من أفضل نموذج فردي بمفرده. وجد المؤلفون أن النماذج الأبسط عملت بشكل أفضل كـ "قضاة نهائيين" لأن العمل الشاق قد تم بالفعل بواسطة طبقة النماذج الأولى. كما لاحظوا أن النماذج الأكثر تعقيداً لم تجعل القرار النهائي أفضل بالضرورة؛ بل في الواقع، جعلت الأمور أسوأ في بعض الأحيان.

في النهاية، تشير الدراسة إلى أنه من خلال اختيار الميزات بعناية، وضبط إعدادات الخوارزميات، ودمج نماذج متعددة بطريقة ذكية، يمكن لوكالات السفر عبر الإنترنت الحصول على صورة أوضح لكيفية توليد نقرات إعلاناتها. يقترح المؤلفون أن هذه الطريقة تعد اتجاهاً واعداً في الصناعة، رغم اعترافهم بأن هناك مجالاً للنمو. كما لمحوا إلى أنه في المستقبل، قد يحاولون إضافة أنواع أكثر من النماذج، مثل الشبكات العصبية الاصطناعية أو الأدوات المتخصصة للتعامل مع الفئات، لمعرفة ما إذا كان بإمكانهم استخراج دقة أكبر. ومع ذلك، بالنسبة الآن، تشير الأدلة إلى حقيقة بسيطة: في عالم التنبؤ بالنقرات، فإن الفريق المنسق جيداً من المفكرين المتنوعين يهزم العبقري الوحيد في كل مرة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.LG →