Generative Long-term User Interest Modeling for Click-Through Rate Prediction
تقترح هذه الورقة البحثية نموذج GenLI، وهو نموذج توليدي لاهتمامات المستخدم طويلة المدى للتنبؤ بنسبة النقر إلى الظهور (CTR)، والذي يستبدل عملية استرجاع الأهداف التقليدية بوحدة توليد الاهتمامات لالتقاط اهتمامات المستخدم المتنوعة والمدركة للتفاعلات، مع تحقيق تعقيد استرجاع سلوكي قدره لتحسين الكفاءة والدقة.
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 طاهٍ يحاول تخمين ما يريد الزبون طلبه تالياً. لديك دفتر ملاحظات ضخم يحتوي على كل شيء نظر إليه هذا الزبون، أو نقر عليه، أو اشتراه على مدار السنوات القليلة الماضية. هذا هو "سلوك المستخدم طويل الأمد" الذي تتحدث عنه الورقة البحثية.
الهدف هو التنبؤ بما إذا كان الزبون سينقر على عنصر جديد محدد (مثل مطعم أو منتج جديد) لتحسين "معدل النقر إلى الظهور" (CTR) — وهو ببساطة مدى تكرار اختيار الناس لما تعرضه عليهم بالفعل.
إليك المشكلة في الطريقة القديمة، وكيف تعالجها هذه الورقة الجديدة، GenLI.
الطريقة القديمة: "البحث المتمحور حول الهدف"
في السابق، كانت الأنظمة تعمل مثل أمين مكتبة يبحث فقط عن الكتب التي تطابق العنوان الدقيق للكتاب الذي تمسكه بيدك حالياً.
- المُرشِّح (الفلتر): إذا كنت تنظر إلى صورة بيتزا، يقوم النظام بمسح تاريخك بالكامل ويستخرج فقط الـ 10 عناصر التي تشبه البيتزا.
- العيب: هذا يتجاهل الصورة الكبيرة. ربما تحب البيتزا، ولكنك تحب أيضاً التنزه، وأفلام الخيال العلمي، وشراء أدوات البستنة. من خلال النظر فقط في الأشياء "الشبيهة بالبيتزا"، يتجاهل النظام اهتماماتك الأخرى. الأمر يشبه الحكم على شخص بناءً على طعامه المفضل فقط وتجاهل شخصيته.
- مشكلة السرعة: لإيجاد تلك العناصر العشرة الشبيهة بالبيتزا، يتعين على أمين المكتبة مقارنة العنصر الحالي الخاص بك مقابل كل عنصر في تاريخك واحداً تلو الآخر. ومع نمو تاريخك ليصل إلى الملايين من العناصر، يصبح هذا بطيئاً للغاية، مثل محاولة العثور على إبرة في كومة قش عبر فحص كل قطعة قش بشكل فردي.
الطريقة الجديدة: GenLI (الطاهي "التوليدي")
يقترح المؤلفون نظاماً جديداً يسمى GenLI. بدلاً من مجرد البحث عن المطابقات، يحاول GenLI فهم مزاج الزبون واهتماماته الحالية أولاً، ثم يجد التاريخ ذي الصلة. يعمل النظام عبر ثلاث خطوات إبداعية:
1. مولد الاهتمامات (IGM): قراءة الأجواء
بدلاً من السؤال: "ما الذي يشبه البيتزا؟"، ينظر GenLI إلى أفعالك الأخيرة (آخر النقرات التي قمت بها) ويسأل: "أي نوع من الأشخاص هو هذا المستخدم الآن؟"
- هو ينشئ ثلاثة "خرائط مزاج" (توزيعات) لاهتماماتك:
- الاهتمام الصريح: ما نقرت عليه بوضوح (مثلاً: "أنا بالتأكيد أريد بيتزا").
- الاهتمام الضمني: ما عرضه عليك النظام ولم تنقر عليه، ولكن قد لا تزال ترغب فيه (مثلاً: "رأيت سلطة، لم أنقر عليها، ولكن ربما لست جائعاً لها بعد").
- الاهتمام النسبي: الفرق بين الاثنين (مثلاً: "أنا أفضل البيتزا على السلطة في الوقت الحالي").
- التشبيه: فكر في هذا كطاهٍ يتذوق الهواء في المطبخ. بدلاً من مجرد التقاط المكونات التي تشبه الطلب الحالي، يستشعر الطاهي أن الزبون "في حالة مزاجية حارة" أو "يشعر بالحنين". يحدث هذا دون النظر إلى العنصر المستهدف المحدد بعد، لذا فهو لا يتجاهل أي اهتمامات خفية.
2. استرجاع السلوك (BRM): البحث السحري
بمجرد أن يمتلك GenLI "خرائط المزاج" هذه، فإنه يحتاج إلى العثور على العناصر ذات الصلة من تاريخك الضخم.
- الطريقة القديمة: مقارنة العنصر المستهدف بكل عنصر في التاريخ (بطيء!).
- طريقة GenLI: يستخدم عملية بحث بسيطة (Lookup). نظرًا لأن "خرائط المزاج" محسوبة مسبقاً، يتحقق النظام ببساطة من بطاقة تسجيل. إنه يشبه امتلاك فهرس مرتب مسبقاً حيث يمكنك القفز فوراً إلى قسم "الحار" أو قسم "الحنين".
- النتيجة: يختار أفضل العناصر التي تناسب تلك الأمزجة. هذا سريع للغاية (رياضياً، هو ، مما يعني أنه يستغرق نفس القدر الضئيل من الوقت سواء كان لديك 100 عنصر أو 10 ملايين عنصر).
3. دمج الاهتمامات (IFM): مزج النكهات
أخيراً، يأخذ النظام العناصر التي وجدها لكل "مزاج" (الأطعمة الحارة، أطعمة الحنين، إلخ) ويمزجها مع العنصر الحالي الذي تنظر إليه. يستخدم "آلية بوابة" (مفتاح ذكي) ليقرر مقدار التركيز على كل اهتمام قبل إجراء التنبؤ النهائي.
لماذا هذا مهم (النتائج)
اختبرت الورقة البحثية هذا النظام على بيانات واقعية من Meituan (تطبيق صيني ضخم لأسلوب الحياة والتوصيل) وعلى مجموعات بيانات عامة مثل Amazon و Taobao.
- الدقة: كان GenLI أفضل في التنبؤ بما سينقر عليه المستخدمون من جميع النماذج السابقة التي كانت تعتبر "الأحدث في مجالها" (State-of-the-art). لقد حسن دقة التنبؤ بشكل كبير لأنه لم يتجاهل اهتماماتك الأخرى.
- السرعة: نظرًا لتوقفه عن إجراء المقارنات البطيئة واحدة تلو الأخرى، أصبح أسرع بكثير. وهذا أمر بالغ الأهمية للأنظمة عبر الإنترنت التي تحتاج إلى اتخاذ قرارات في أجزاء من الثانية.
- النجاح في العالم الحقيقي: تذكر الورقة أن GenLI قد تم نشره بالفعل في نظام الإعلانات الخاص بـ Meituan. وهو يخدم حالياً مئات الملايين من المستخدمين يومياً. في اختبار حي (اختبار A/B)، زاد معدل النقر إلى الظهور بنسبة 0.776% وزاد الإيرادات لكل ألف مشاهدة بنسبة 1.567%.
الملخص
باختصار، كانت الأنظمة القديمة تشبه أمين مكتبة لا يجد إلا الكتب المشابهة للكتاب الذي تمسكه. أما GenLI فهو يشبه أمين مكتبة يفهم أولاً مزاجك الحالي وأذواقك المتنوعة، ثم يسحب فوراً الكتب المثالية من الرفوف دون حتى الحاجة إلى التحقق من عنوان الكتاب الذي تمسكه. إنه أسرع، وأذكى، ويحقق أرباحاً أكثر للمنصة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.