🤖 AI

Aligning Recommendations with User Popularity Preferences

تتناول هذه الورقة البحثية انحياز الشعبية في أنظمة التوصية من خلال تقديم إطار عمل "معايرة مئينات الشعبية" لقياس عدم التوافق بين المستخدم والموصي، واقتراح منهجية SPREE، وهي طريقة لتوجيه التنشيط أثناء الاستدلال تعمل على مواءمة التوصيات تكيفياً مع تفضيلات الشعبية لكل مستخدم على حدة مع الحفاظ على الجودة العامة للتوصيات.

المؤلفون الأصليون: Mona Schirmer, Anton Thielmann, Pola Schwöbel, Thomas Martynec, Giuseppe Di Benedetto, Ben London, Yannik Stein

نُشر 2026-04-02

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mona Schirmer, Anton Thielmann, Pola Schwöbel, Thomas Martynec, Giuseppe Di Benedetto, Ben London, Yannik Stein

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 دخلت إلى مكتبة ضخمة لا نهاية لها. تقول لأمين المكتبة: "أنا أحب قراءة مزيج من الكتب الأكثر مبيعاً والمشهورة، والروايات النادرة والكنوز المخفية".

لسوء الحظ، لدى أمين المكتبة عادة سيئة. فمهما قلت له، يستمر في إعطائك الكتب الأكثر شهرة ومبيعاً فقط. هو يفكر: "حسنًا، الجميع يحب هذه الكتب، لذا لا بد أنك تحبها أيضًا!".

هذه هي مشكلة "تحيز الشعبية" (Popularity Bias) في أنظمة الترشيح (مثل أمازون ميوزيك، نتفليكس، أو سبوتيفاي). حيث يعلق النظام في حلقة مفرغة تجعل الأشياء الشهيرة تزداد شهرة، بينما يتم تجاهل الأشياء الفريدة والمتخصصة. وهذا أمر سيء لثلاثة أسباب:

بالنسبة للمبدعين: لا يتم سماع الفنانين الجدد أو المتخصصين أبداً.
بالنسبة لك: تصبح تغذيتك الإخبارية مملة ومتكررة.
بالنسبة للنظام: يتوقف عن كونه مساعداً "شخصياً" ويتحول إلى لوحة إعلانية عامة.

تقدم هذه الورقة طريقة جديدة لإصلاح ذلك، تسمى SPREE. وإليك كيف تعمل، مقسمة إلى مفاهيم بسيطة.

1. المشكلة: أمين المكتبة لا يعرف ذوقك الخاص

تحاول معظم الأنظمة معالجة هذه المشكلة عبر إجبار الجميع على رؤية عدد أقل من الكتب الشهيرة. قد يقولون: "حسناً، لنخفِ أفضل 10% من الكتب الأكثر مبيعاً عن الجميع".

لكن العلة هنا هي: ليس الجميع يريد نفس المزيج.

المستخدم (أ) قد يحب بالفعل أكبر الأعمال الناجحة فقط.
المستخدم (ب) قد يكره الأعمال الشهيرة ويريد فقط الأغاني المستقلة والنادرة.
المستخدم (ج) قد يريد مزيجاً بنسبة 50/50 مثالية.

إذا أجبر أمين المكتبة المستخدم (أ) على رؤية كتب نادرة، سينزعج المستخدم (أ). وإذا أجبر المستخدم (ب) على رؤية الأعمال الشهيرة، سيشعر بالملل. الطريقة القديمة لإصلاح ذلك كانت تشبه استخدام مطرقة ثقيلة لإصلاح ساعة يد؛ فهي أداة غاشمة وتؤذي الأشخاص الذين يحبون الأشياء الشهيرة بالفعل.

2. القياس الجديد: "ميزان حرارة الشعبية"

قبل إصلاح المشكلة، احتاج المؤلفون إلى طريقة أفضل لقياسها. أدركوا أن مجرد عد "كم عدد العناصر الشهيرة التي تُعرض" ليس كافياً. عليك أن تعرف: هل الترشيح يطابق ما يحبه هذا الشخص تحديداً؟

لقد اخترعوا أداة جديدة تسمى معايرة الكسر المئوي للشعبية (Popularity Quantile Calibration).

التشبيه: تخيل أن لديك ميزان حرارة يقيس مدى "شعبية" الكتب التي تقرأها.
الطريقة القديمة: يقوم النظام فقط بفحص متوسط درجة الحرارة للمكتبة بأكملها.
الطريقة الجديدة (SPREE): يتحقق النظام من تاريخك الشخصي. إذا أظهر تاريخك أنك تقرأ عادةً كتباً بدرجة حرارة "50" (شعبية متوسطة)، ولكن النظام يستمر في إعطائك كتباً بدرجة حرارة "90" (شعبية فائقة)، فإن ميزان الحرارة سيطلق إنذاراً. إنه يقيس الفجوة بين ما تحبه وما تحصل عليه.

3. الحل: SPREE (معدل الذوق)

ابتكر المؤلفون طريقة تسمى SPREE (توجيه الشعبية نحو التفضيلات البشرية - Steering PopulaRity toward human prEferEnces).

كيف تعمل (الاستعارة):
فكر في ذكاء التوصية الاصطناعي كسيارة تسير على طريق.

الطريق: المسار الذي يسلكه الذكاء الاصطناعي لاتخاذ قرار بشأن ما يوصي به.
الانحراف: تنحرف السيارة طبيعياً نحو "مسار الشعبية" (الجانب الأيمن من الطريق) لأن حركة المرور هناك كثيفة.
الإصلاح القديم: وضع جدار ضخم يمنع مسار الشعبية للجميع. (هذا يمنع الانحراف ولكنه يجعل الرحلة غير مريحة للأشخاص الذين أرادوا الذه-هناك).
إصلاح SPREE: SPREE يشبه مقود السيارة الذكي والتلقائي.
- ينظر إلى المستخدم (أ) (الذي يحب الأعمال الناجحة). يرى أن السيارة تنحرف بعيداً عن الأعمال الناجحة، فيقوم بتوجيهها بلطف مرة أخرى نحو مسار الشعبية.
- ينظر إلى المستخدم (ب) (الذي يكره الأعمال الشهيرة). يرى أن السيارة تنحرف نحو الأعمال الشهيرة، فيقوم بتوجيهها بعيداً نحو المسار النادر.
- ينظر إلى المستخدم (ج) (الذي يحب المزيج). يحافظ على بقاء السيارة مستقيمة في المنتصف.

الخدعة السحرية:
يقوم SPREE بذلك دون إعادة تدريب الذكاء الاصطنا_ئي بالكامل. إنه يشبه إعطاء دفعة صغيرة وسريعة للسيارة في اللحظة التي توشك فيها على اتخاذ قرار. فهو يحدد "اتجاهاً" في عقل الذكاء الاصطناعي يمثل "الشعبية" ويضيف أو يطرح قليلاً من ذلك الاتجاه بناءً على ما يحتاجه المستخدم المحدد.

4. لماذا هذا الأمر مهم جداً؟

إنه شخصي: لا يعامل جميع المستخدمين بنفس الطريقة. إنه يحترم حقيقة أن بعض الناس يحبون الأشياء الشهيرة حقاً.
إنه سريع: يحدث هذا فوراً عند فتح التطبيق (وقت الاستدلال). لا يحتاج النظام إلى إعادة بناء من الصفر.
إنه يحافظ على الجودة: اختبر المؤلفون هذا على بيانات حقيقية (مثل مجموعات بيانات MovieLens والموسيقى). ووجدوا أن SPREE عالج التحيز (جعل التوصيات تطابق ذوق المستخدم) دون جعل التوصيات أسوأ. ظل الذكاء الاصطناعي يعرف ما تحبه؛ لقد توقف فقط عن فرض الأشياء "الشهيرة" عليك إذا لم تكن تريدها.

الملخص

تخيل منسق أغاني (DJ) في حفلة.

النظام القديد: يقوم الـ DJ بتشغيل أشهر 40 أغنية فقط لأن "الجميع يعرفها".
المشكلة: بعض الناس يريدون الرقص على تلك الأغاني الشهيرة، لكن آخرين يريدون سماع أغاني نادرة وغير معروفة، والـ DJ يتجاهلهم.
SPREE: يرتدي الـ DJ نظارات ذكية. تخبره النظارات: "مهلاً، الرجل الذي يرتدي القميص الأحمر يحب أشهر 40 أغنية، استمر في تشغيلها. الفتاة التي ترتدي القميص الأزرق تكرهها، انتقل إلى قائمة الأغاني المستقلة من أجلها".

يجعل SPREE نظام التوصية منسقاً شخصياً حقيقياً بدلاً من كونه لوحة إعلانات بنمط واحد للجميع، مما يضمن أن ديناميكية "الغني يزداد غنى" لا تطغى على الأصوات الفريدة التي قد تحبها بالفعل.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "محاذاة التوصيات مع تفضيلات شعبية المستخدم" (Aligning Recommendations with User Popularity Preferences) من إعداد شيرمر وآخرون.

1. بيان المشكلة

التحيز للشعبية (Popularity Bias) في أنظمة التوصية هو الميل إلى إبراز العناصر المعروفة جيداً (الشعبية) بشكل غير متناسب. وبينما يُنظر إلى هذا غالباً كمسألة على مستوى النظام (مثل تأثير "الغني يزداد غنى")، تجادل هذه الورقة بأن المشكلة الجوهرية هي عدم المحاذاة بين تفضيل المستخدم الفردي للمحتوى الشعبي مقابل المحتوى المتخصص (niche) وبين مخرجات النظام.

الفجوة: استراتيجيات التخفيف الحالية غالباً ما تطبق إزالة تحيز عالمية (تقليل الشعبية للجميع) أو تعتمد على مقاييس عامة تفشل في التقاط تعقيد تفضيلات المستخدمين الفردية (على سبيل المثال، قد يحب المستخدم كلاً من العناصر الشعبية جداً والعناصر المتخصصة جداً، ولكنه قد يكره العناصر متوسطة المستوى).
التحدي: قياس عدم المحاذاة هذا أمر صعب لأن تفضيلات المستخدم متعددة الأنماط ومعقدة. تفشل المقاييس القياسية غالباً في التقاط الاتجاه (شعبية زائدة مقابل تخصص زائد)، والمقدار، والتشتت للتحيز.
الهدف: تطوير إطار قياس يحدد كمياً محاذاة المستخدم مع الموصي، وطريقة تخفيف تصحح عدم المحاذاة هذه لكل مستخدم على حدة دون إعادة تدريب النموذج.

2. المنهجية

تقدم الورقة مكونين رئيسيين: إطار قياس جديد، وطريقة تخفيف تسمى SPREE.

أ. إطار القياس: معايرة مئويات الشعبية (Popularity Quantile Calibration)

ينتقد المؤلفون المقاييس الحالية (مثل Popularity Lift أو User Popularity Deviation) لفشلها في تلبية معايير الصلاحية الرئيسية (الترتيب، والعددية، والتشتت، وثبات المقياس، والمتانة). ويقترحون إطاراً جديداً يعتمد على نظرية المعايرة (Calibration Theory):

المفهوم: التعامل مع تاريخ تفاعلات المستخدم كـتوزيع تجريبي لتفضيلات الشعبية، $p(s|u)$ ، ومخرجات الموصي كتوزيع متوقع، $q(s|u)$ .
معايرة مئويات الشعبية: يكون الموصي "معايراً" إذا كانت مئويات توزيع التوصيات تتطابق مع توزيع تاريخ المستخدم.
- التعريف: بالنسبة لمستوى مئوي $\tau$ ، يجب أن يكون كسر العناصر في تاريخ المستخدم التي تقل شعبيتها عن المئين $\tau$ من التوصيات مساوياً لـ $\tau$ .
المقاييس:
- منحنى معايرة الشعبية (Popularity Calibration Curve): رسم بياني يقارن المئين النظري $\tau$ مقابل الكسر التجريبي $\hat{\tau}$ لعناصر تاريخ المستخدم التي تقع تحت ذلك العتبة. تشير الانحرافات عن الخط القطري إلى وجود تحيز.
- خطأ معايرة الشعبية (Popularity Calibration Error - PCE): مقياس عددي يجمع الفروقات المربعة بين $\tau$ و $\hat{\tau}$ عبر مستويات المئويات المختلفة. يشير انخفاض PCE إلى محاذاة أفضل.

ب. طريقة التخفيف: SPREE (توجيه الشعبية نحو التفضيلات البشرية)

إن SPREE هي طريقة توجيه تنشيط أثناء الاستدلال (inference-time activation steering) مصممة لمحاذاة الموصيات التسلسلية (تحديداً النماذج القائمة على Transformer مثل SASRec) مع تفضيلات المستخدم الفردية.

توجيه التنشيط (Activation Steering): بناءً على فرضية التمثيل الخطي، تحدد الطريقة متجه "اتجاه الشعبية" في فضاء الحالة المخفية للنموذج.
- تحديد المتجه: ينشئ المؤلفون مجموعتين متضادتين من التسلسلات الاصطناعية: واحدة تحتوي على عناصر عالية الشعبية ( $D^+$ ) وأخرى تحتوي على عناصر منخفضة الشعبية ( $D^-$ ). ثم يحسبون متوسط فرق التنشيط لاستخراج متجه توجيه $\mathbf{v}_{t,\ell}$ يشير من المحتوى الشعبي إلى المحتوى المتخصص.
- مقدار التوجيه التكيفي: على عكس الطرق السابقة التي تطبق إزاحة موحدة، تقوم SPREE بتكييف قوة التوجيه وإشارته بناءً على التحيز الخاص بكل مستخدم.
- تقدير التحيز: نموذج انحدار Lasso خفيف الوزن ( $\hat{f}$ ) يتنبأ بتحيز المستخدم $e(u)$ (الفرق الموقّع بين وسيط شعبية توصيات الموصي ووسيط شعبية تاريخ المستخدم) باستخدام تنشيطات النموذج الداخلية.
- عملية التوجيه: يتم تعديل التنشيط المتبقي $\mathbf{x}_{t,\ell}$ $x_{t, ℓ}$ كالتالي:
  $\mathbf{x}^*_{t,\ell} = \mathbf{x}_{t,\ell} + \lambda \cdot \hat{f}(\mathbf{x}_{t,\ell}) \cdot \mathbf{v}_{t,\ell}$
  - إذا كانت توصيات المستخدم شعبية جداً ( $e(u) > 0$ )، يتم طرح المتجه (التوجيه نحو المحتوى المتخصص).
  - إذا كانت متخصصة جداً ( $e(u) < 0$ )، يتم إضافة المتجه (التوجيه نحو المحتوى الشعبي).
  - إذا كانت هناك محاذاة، لا يحدث أي توجيه.

3. المساهمات الرئيسية

تحليل نظرية القياس: نقد صارم لمقاييس تحيز الشعبية الحالية، وتحديد المتطلبات (الترتيب، العددية، التشتت، إلخ) التي تفشل المقاييس السابقة في تحقيقها.
معايرة مئويات الشعبية: إطار قياس مبتكر يعامل تحيز الشعبية كخطأ معايرة بين تاريخ المستخدم وتوزيعات التوصية، مع تقديم مقياس PCE ومنحنيات المعايرة.
خوارزمية SPREE: طريقة تخفيف خفيفة الوزن تعمل أثناء الاستدلال، تستخدم توجيه التنشيط التكيفي. وهي أول طريقة توجه التوصيات صراحةً بناءً على تقديرات التحيز الفردي للمستخدم بدلاً من الخصائص العالمية للنظام.
التحقق التجريبي: أثبتت SPREE أنها تحسن المحاذاة على مستوى المستخدم (PCE أقل) مع الحفاظ على دقة التوصية (NDCG) أو تحسينها قليلاً، متفوقة بذلك على طرق إزالة التحيز العالمية وغيرها من النماذج المرجعية في وقت الاستدلال.

4. النتائج التجريبية

قيم المؤلفون SPREE على أربع مجموعات بيانات: Foursquare Tokyo، وMovieLens-1M، وMovieLens-20M، وRateBeer.

المفاضلة بين المحاذاة والأداء:
- قللت SPREE باستمرار من قيمة PCE@100 (تحسين المحاذاة) عبر جميع مجموعات البيانات.
- على عكس Inverse Popularity Ranking (IPR) أو PopSteer (اللذين يقللان الشعبية عالمياً مما يضر بالمحاذاة للمستخدمين الذين يفضلون المحتوى الشعبي)، حافظت SPREE على قيم NDCG@100 عالية (جودة التوصية).
- طريقة Personalized Popularity (PP) حسنت المحاذاة ولكنها أدت إلى تدهور كبير في NDCG بسبب التوصية المفرطة بالعناصر التي رآها المستخدم بالفعل.
تحليل المعايرة:
- أظهرت النماذج المرجعية (Baselines) غالباً "تحيزاً سلبياً" (توصية عناصر أقل شعبية من تاريخ المستخدم).
- نجحت SPREE في نقل منحنى المعايرة ليصبح أقرب إلى خط الهوية (المعايرة المثالية) دون الإفراط في التصحيح.
دراسة الاستئصال (Ablation Study):
- أدى حذف مُقدر التحيز التكيفي (باستخدام قوة توجيه عالمية ثابتة) إلى زيادة هائلة في PCE (محاذاة أسوأ) في بعض مجموعات البيانات، مما يثبت أن التكيف لكل مستخدم أمر بالغ الأهمية.
- حافظت الطريقة التكيفية على مستوى شعبية عالمي ثابت (تعديل صفري المجموع)، بينما قامت الطرق غير التكيفية بمجرد إزاحة توزيع الشعبية العالمي.

5. الأهمية والأثر

تحول في النموذج الفكري: ينقل التركال من "تنوع النظام" إلى "محاذاة مستوى المستخدم". فهو يقر بأن "العدالة" أو "التنوع" أمور ذاتية؛ فبعض المستخدمين يفضلون المحتوى المتخصص، بينما يفضل آخرون المحتوى الرائج.
العملية التطبيقية: لا تتطلب SPREE إعادة تدريب النموذج الأساسي، مما يجعلها قابلة للتطبيق بدرجة عالية في الأنظمة الإنتاجية واسعة النطاق (مثل Amazon Music) حيث تكون إعادة التدريب مكلفة.
فوائد المنظومة: من خلال محاذاة التوصيات مع الأذواق الفردية، يمكن للطريقة تحسين رضا المستخدم (الاحتفاظ به) وتوفير توزيع أكثر عدلاً لفرص الظهور للمبدعين، مما قد يقلل من ديناميكية "الغني يزداد غنى" دون التضحية بالصلة بالمحتوى.
القيود: تعتمد الطريقة على وجود اتجاه شعبية خطي في فضاء التضمين (embedding space) وتستهدف حالياً وسيط التوزيع. يمكن للعمل المستقبلي توسيع ذلك ليشمل أطراف التوزيع المحددة أو أهداف محاذاة أخرى (مثل تنوع النوع/Genre).