💬 NLP

Controlling Output Rankings in Generative Engines for LLM-based Search

تقدم هذه الورقة CORE، وهي طريقة تحسين تقوم بإلحاق المحتوى استراتيجياً بنتائج محركات البحث للتلاعب بترتيب المخرجات لمحركات التوليد القائمة على النماذج اللغوية الكبيرة، مما يحقق معدلات نجاح ترويجية عالية للمنتجات المستهدفة عبر نماذج وفئات متعددة مع الحفاظ على سلاسة المحتوى.

المؤلفون الأصليون: Haibo Jin, Ruoxi Chen, Peiyan Zhang, Yifeng Luo, Huimin Zeng, Man Luo, Haohan Wang

نُشر 2026-02-04

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Haibo Jin, Ruoxi Chen, Peiyan Zhang, Yifeng Luo, Huimin Zeng, Man Luo, Haohan Wang

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 أنك تدخل مكتبة ضخمة للبحث عن كتاب معين. في الأيام الخوالي، كان عليك فحص الرفوف، وقراءة عناوين الكتب من أغلفتها، والمقارنة بينها بنفسك. هكذا تعمل محركات البحث التقليدية: تمنحك قائمة من الروابط، وتترك لك المهمة الشاقة.

لكن الآن، تخيل أمين مكتبة فائق الذكاء (ذكاء اصطناعي) يقوم بعملية الفحص نيابة عنك. تسأله: "ما هي أفضل كاميرا؟" فيقدم لك فوراً قائمة قصيرة من أفضل الترشيحات. هذا هو العالم الجديد لـ المحركات التوليدية (البحث القائم على النماذج اللغوية الكبيرة LLM).

ما المشكلة؟ أمين المكتبة هذا لا يقرأ الكتب بنفسه. بل ينظر إلى قائمة كتب مقدمة من نظام آخر (مثل أمازون أو جوجل)، ويميل إلى الثقة في ترتيب تلك القائمة بشكل مفرط. فإذا كانت هناك علامة تجارية صغيرة ومستقلة للكاميرات مدفونة في أسفل قائمة أمين المكتبة، فمن المرجح أن يتجاهلها، حتى لو كانت منتجاً رائعاً. وفي المقابل، تحظى العلامات التجارية الكبرى الموجودة في الأعلى بكل الاهتمام.

تقدم هذه الورقة البحثية طريقة تسمى CORE (التحكم في ترتيب المخرجات في المحركات التوليدية) والتي تعمل مثل "همس سحري" لمساعدة تلك المنتجات المدفونة على أن تُلاحظ.

الفكرة الجوهرية: كيف تعمل CORE

تخيل أمين المكتبة (الذكاء الاصطناعي) كصندوق أسود. لا يمكنك رؤية ما يدور داخل عقله، ولا يمكنك أن تقول له مباشرة: "مهلاً، ضع هذه الكاميرا أولاً!". ومع ذلك، يمكنك تغيير الوصف النصي للمنتج الذي يقرؤه أمين المكتبة.

CORE هي أداة تأخذ منتجاً عالقاً في أسفل القائمة، وتعيد كتابة وصفه سراً لتجعل أمين المكتبة (الذكاء الاصطناعي) يقع في حبه. هي لا تخترق النظام؛ بل تقوم فقط بتحسين "القصة" التي يرويها المنتج عن نفسه.

اختبر الباحثون ثلاثة أنواع من "القصص" (الاستراتيجيات) لمعرفة أيهما يعمل بشكل أفضل:

قصة "الهراء" (القائمة على السلاسل النصية): تخيل محاولة خداع أمين المكتبة عبر كتابة وصف مليء بالرموز العشوائية والكلمات غير المفهومة.
- النتيجة: نجحت قليلاً، لكن أمين المكتبة (وأي شخص آخر يقرأ) أدرك فوراً أنها مزيفة. الأمر يشبه ارتداء أنف مهرج في مقابلة عمل؛ يجذب الانتباه، لكن ليس بالنوع الجيد.
قصة "المحلل المنطقي" (القائمة على الاستنتاج): تكتب هذه الاستراتيجية وصفاً يبدو وكأنه مقارنة ذكية وخطوة بخطوة. تقول مثلاً: "لقد قارنت هذه الكاميرا بأفضل العلامات التجارية، وإليك بالضبط لماذا تتفوق هذه الكاميرا في عمر البطارية والسعر".
- النتيجة: كانت هذه الاستراتيجية فعالة للغاية. أحب الذكاء الاصطناعي التدفق المنطقي، وقفز المنتج في التصنيفات.
قصة "العميل السعيد" (القائمة على المراجعات): تكتب هذه الاستراتيجية الوصف كما لو كان مراجعة حقيقية بصيغة الماضي من شخص واقعي. "بعد شراء هذه الكاميرا، اختبرتها مقابل سوني وكانون، وذهلت بمدى سهولة استخدامها".
- النتيست: كانت هي البطلة. بدت طبيعية وبشرية للغاية لدرجة أن الذكاء الاصطناعي وثق بها تماماً. قفز المنتج إلى أعلى القائمة في كل مرة تقريباً.

"المعايير" السحرية

لإثبات أن الأمر لم يكن مجرد ضربة حظ، بنى الباحثون مطبخ اختبار ضخم يسمى ProductBench.

جمعوا 3,000 منتج (200 منتج في كل فئة من 15 فئة، من الكاميرات إلى مستلقات الحيوانات الأليفة).
قاموا بمحاكاة سؤال أربعة أمناء مكتبة فائقين الذكاء (GPT-4o، وGemini، وClaude، وGrok) للحصول على توصيات.
أخذوا المنتج الذي كان في الأصل في المرتبة الأخيرة (العنصر العاشر) واستخدموا CORE لمحاولة دفعه إلى المركز الأول.

النتائج:

بدون CORE، كانت فرصة المنتج الأخير في الوصول إلى القمة 0%.
مع CORE (وتحديداً قصة "العميل السعيد" أو "المحلل المنطقي")، قفز العنصر الأخير إلى المركز الأول بنسبة 80% تقريباً.
بل وصل إلى أعلى 3 مراكز بنسبة 86% تقريباً.

لماذا هذا مهم (ولماذا هو أمر صعب)

تسلط الورقة الضوء على سلاح ذو حدين:

الجيد: الشركات الصغيرة والمبدعين المستقلين، الذين عادة ما يتم دفنهم في الضجيج، لديهم الآن وسيلة ليُسمع صوتهم. يمكنهم تحسين أوصاف منتجاتهم لتكون "مسموعة" من قبل الذكاء الاصطناعي.
السيئ: هذا يعني أن النظام معرض للاختراق. إذا أراد شخص ما دفع منتج سيئ إلى الأعلى، فيمكنه استخدام هذه الحيل نفسها. حاول الباحثون بناء "حراس أمن" (مثل التحقق من الكلمات الغريبة أو النصوص الطويلة) لمنع ذلك، لكن قصة "العميل السعيد" كانت طبيعية جداً لدرجة أن الحراس لم يستطيعوا كشفها.

الخلاصة

تظهر هذه الورقة أنه في عصر البحث القائم على الذكاء الاصطناعي، طريقة سرد قصتك تهم أكثر من مجرد وجودك في القائمة.

إذا كنت منتجاً، فلا يمكنك مجرد الجلوس في مؤخرة الصف وانتظار أن يلاحظك الذكاء الاصطناعي. يجب أن تتحدث لغة الذكاء الاصطناعي. من خلال إعادة كتابة وصفك ليبدو كخبير منطقي أو عميل راضٍ، يمكنك خداع الذكاء الاصطناعي لنقلك من مؤخرة الغرفة إلى مقدمة المسرح. لقد أثبت الباحثون أن هذا يعمل عبر نماذج ذكاء اصطناعي وأنواع منتجات مختلفة، لكنهم حذروا أيضاً من ضرورة معرفة كيفية منع الناس من استخدام هذه الحيل للتلاعب بالنظام بشكل غير عادل.

ملخص تقني: التحكم في ترتيب المخرجات في محركات البحث التوليدية القائمة على النماذج اللغوية الكبيرة (LLM)

1. تعريف المشكلة

أدى صعود البحث القائم على النماذج اللغوية الكبيرة (LLM)، أو ما يُعرف بـ "المحركات التوليدية"، إلى تحويل تفاعل المستخدم من تصفح قوائم الروابط إلى تلقي توصيات مباشرة ومصنعة للمنتجات. وبينما يعزز هذا من كفاءة المستخدم، فإنه يفرض ثغرة حرجة: حيث يعتمد ترتيب المخرجات النهائي بشكل كبير على ترتيب الاسترجاع الأولي المقدم من محركات البحث الخارجية (مثل Google وAmazon).

يخلق هذا الاعتماد "تحيزاً في الموقع" (position bias)، حيث نادراً ما يتم ترقية العناصر المسترجعة في أسفل قائمة المرشحين لتصبح في أعلى الملخص النهائي الذي تولده النماذج اللغوية الكبيرة، بغض النظر عن مدى صلتها الفعلية. هذا الديناميكية تضع الشركات الصغيرة والمبدعين المستقلين في موقف غير مؤاتٍ، حيث قد تُدفن منتجاتهم في نتائج الاسترجاع. وتعتمد المحاولات الحالية لمعالجة ذلك، مثل تحسين المحركات التوليدية (GEO) أو حقن الأوامر (prompt injection)، غالباً على الوصول إلى المكونات الداخلية للنموذج (white-box access) أو تستخدم هجمات حقن غير متماسكة وسهلة الكشف. ويتمثل التحدي في التحكم في ترتيب المخرجات في "بيئة الصندوق الأسود" (black-box setting) - حيث لا يمكن الوصول إلا إلى الاستعلام والمخرجات فقط - دون المساس بسلاسة وطبيعية المحتوى المولد.

2. المنهجية: CORE

يقترح المؤلفون منهجية CORE (التحكم في ترتيب المخرجات في المحركات التوليدية)، وهي طريقة تحسين مصممة للتلاعب بالترتيب النهائي لعنصر مستهدف عبر تعديل النص المرتبط بذلك العنصر في نتائج البحث. تتعامل CORE مع مهمة الترتيب كمسألة تحسين تهدف إلى إيجاد نص معدل $T'(i^*)$ للعنصر المستهدف $i^*$ لزيادة احتمالية ظهوره في أعلى $k$ من المواقع في مخرجات النموذج اللغوي الكبير.

تقدم CORE حلين متميزين بناءً على توفر الموارد الحسابية:

أ. حل النموذج الظلي (Shadow-Model Solution)

يفترض هذا النهج إمكانية الوصول إلى موارد حسابية كافية لتدريب "نموذج ظلي" ( $\theta'$ ) يحاكي سلوك النموذج اللغوي الكبير المستهدف ( $\theta$ ).

الآلية: يتم محاذاة النموذج الظلي مع النموذج المستهدف باستخدام التلقين بعدد قليل من الأمثلة (few-shot prompting). وبمجرد إنشائه، تقوم CORE بإجراء تحسين قائم على التدرج (gradient-based optimization) مباشرة على التمثيل المتجهي المستمر (continuous embedding representation) لنص العنصر المستهدف.
العملية: تقوم بتحديث المتجه (embedding) بشكل تكراري لتقليل دالة خسارة الترتيب (ranking loss function)، ثم تقوم بفك تشفير المتجه المحسن إلى نص منفصل.
أنواع المحتوى: تعتمد هذه الطريقة بشكل أساسي على التحسين القائم على النصوص (string-based optimization)، عبر إلحاق سلاسل نصية مصممة استراتيجياً بوصف المنتج.

ب. الحل القائم على الاستعلام (Query-Based Solution)

صُمم هذا الحل للإعدادات التي لا تتوفر فيها إمكانية الوصول إلى المكونات الداخلية للنموذج أو الموارد الكافية لنمذجة الظل، ويعمل من خلال حلقة تكرارية بين "المولد" و"المحسن" تتفاعل مع النموذج اللغوي الكبير (الصندوق الأسود).

المولد (Generator): ينشئ مسودة أولية (استنتاج أو مراجعة) تشرح سبب وجوب تصنيف العنصر المستهدف في مرتبة عالية.
المحسن (Optimizer): يقيم ترتيب مخرجات النموذج اللغوي الكبير مقابل الترتيب المستهدف المطلوب. إذا كانت درجة التشابه أقل من حد معين، يقوم المحسن بمراجعة المسودة.
الاستراتيجيات:
1. الاستراتيجية القائمة على الاستنتاج (Reasoning-based): تبني منطقاً تسلسلياً (بأسلوب سلسلة الأفكام - Chain-of-Thought) يقارن العنصر المستهدف بالبدائل.
2. الاستراتيجية القائمة على المراجعة (Review-based): تعيد كتابة المسودة كقصة تجربة مستخدم حقيقية بصيغة الماضي (مثلاً: "بعد شراء هذا المنتج...")، لمحاكاة تجارب المستخدمين الواقعية.

3. المعيار المرجعي: ProductBench

لتقييم CORE في بيئات واقعية، أنشأ المؤلفون ProductBench، وهو معيار مرجعي واسع النطاق يتكون من:

النطاق: 15 فئة من المنتجات (مثل الإلكترونيات، التجميل، الأدوات) مع 200 منتج لكل فئة.
مصدر البيانات: أفضل 10 توصيات بحث مسترجعة من واجهة بحث أمازون (Amazon) لكل منتج.
الهيكل: يتضمن سمات مهيكلة (الاسم، السعر، الوصف، المراجعات) منسقة لتكون مدخلات لنماذج اللغة الكبيرة التي تقوم بعملية التوليد والتركيب.

4. النتائج التجريبية

قام المؤلفون بتقييم CORE على أربعة نماذج لغوية كبيرة تدعم البحث: GPT-4o، وGemini-2.5، وClaude-4، وGrok-3.

معدل نجاح الترقية (PSR): تحت أفضل استراتيجية تحسين، حققت CORE متوسط معدلات نجاح بلغت:
- 91.4% في أعلى 5 مراكز.
- 86.6% في أعلى 3 مراكز.
- 80.3% في المركز الأول.
- ملاحظة: كانت معدلات النجاح الأساسية للعناصر التي بدأت في أسفل القائمة هي 0% فعلياً.
فعالية الاستراتيجية:
- أدت الاستراتيجيات القائمة على الاستنتاج أداءً استثنائياً في GPT-4o وClaude-4.
- أظهرت الاستراتيجيات القائمة على المراجعة أداءً فائقاً في Gemini-2.5 وGrok-3، وكانت قوية بشكل خاص في فئات مثل "التجميل والعناية الشخصية".
- أظهرت الطرق القائمة على النصوص (String-based) نجاحاً متوسطاً ولكنها كانت أقل فعالية بكثير من استراتيجيات الاستنتاج أو المراجعة.
السلاسة والقابلية للكشف:
- الارتباك (Perplexity): اتسم المحتوى القائم على النصوص بارتباك عالٍ جداً (1,000–2,000)، مما يجعله سهل الكشف. أما المحتوى القائم على الاستنتاج فكان له ارتباك متوسط، بينما ظل المحتوى القائم على المراجعة قريباً من الخط المرجعي (~32)، مما حافظ على سلاسة عالية.
- التقييم البشري: تم تقييم المحتوى القائم على المراجعة بأنه يكاد يكون بنفس سلاسة المحتوى الأصلي (4.6/5 مقابل 4.7/5) وكان لديه معدل كشف منخفض (18.4%)، بينما تم وسم المحتوى القائم على النصوص بأنه غير طبيعي بشكل عالمي (98.5%).
المقارنة: تفوقت CORE على طرق التلاعب بالترتيب الموجودة حالياً (STS, TAP, SRP, RAF)، لا سي_ما في قابلية النقل عبر النماذج المختلفة والمتانة.

5. الأهمية والادعاءات

يدعي البحث أن CORE يثبت هشاشة أنظمة البحث القائمة على النماذج اللغوية الكبيرة تجاه التلاعب بالمحتوى في بيئات الصندوق الأسود. وتشمل الادعاءات الرئيسية ما يلي:

الترتيب قابل للتغيير: إن ترتيب المخرجات النهائي في المحركات التوليدية لا يتحدد فقط من خلال الاستنتاج الداخلي للنموذذ اللغوي، بل هو مقيد بشدة وقابل للتلاعب عبر محتوى العناصر المسترجعة.
قابلية التنفيذ في الصندوق الأسود: من الممكن التحكم في الترتيب بفعالية دون الحاجة إلى الوصول إلى التدرجات (gradients) أو المكونات الداخلية للنموذج، مما يتحدى الافتراض بأن بيئات الصندوق الأسود آمنة ضد هذا النوع من التلاعب.
التخفي (Stealthiness): على عكس هجمات حقن الأوامر السابقة، تحافظ استراتيجيات CORE (القائمة على المراجعة والاستنتاج) على تماسك دلالي وسلاسة عالية، مما يجعل اكتشافها صعباً عبر فلاتر الارتباك القياسية أو الفحص البشري.
تحديات التخفيف (Mitigation Challenges): اختبر المؤلفون ثلاث استراتيجيات للتخفيف (تصفية الارتباك، والتصفية القائمة على الأنماط، وقيود الطول). وبينما قللت هذه الطرق من معدل نجاح الهجمات القائمة على النصوص والاستنتاج، إلا أنها كانت غير فعالة إلى حد كبير ضد الاستراتيجية القائمة على المراجعة، مما يؤكد الحاجة إلى آليات دفاع أكثر قوة.

يخلص العمل إلى أنه بينما توفر CORE آلية لتحسين الرؤية للعناصر غير المحظوظة، فإنها في الوقت نفسه تكشف عن خطر كبير يتمثل في التلاعب بالترتيب في أنظمة البحث التوليدية، مما يستوجب النشر المسؤول ومزيد من البحث في استراتيجيات الدفاع.