Uncertainty-Calibrated Recommendations for Low-Active Users
تقدم هذه الورقة إطار عمل موحداً وجاهزاً للإنتاج يستفيد من عدم اليقين في النموذج لتنفيذ استراتيجيات توصية متمايزة — تتمثل في تقليل التوصيات المتحفظ (deboosting) للمستخدمين منخفضي النشاط لتحسين الاستبقاء والرضا، والاستكشاف الباحث عن المخاطر للمستخدمين عاليي النشاط لتعزيز تنوع المحتوى — مما أظهر مكاسب كبيرة في الأداء على منصة بث مباشر كبرى.
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 مكتبة رقمية ضخمة حيث يحاول أمين المكتبة (نظام الترشيح) تخمين الكتب (الفيديوهات) التي ستود قراءتها تالياً. تصف الورقة البحثية طريقة جديدة تمكن أمين المكتبة هذا من التعامل مع نوعين مختلفين تماماً من الزوار: القادمين الخجولين (المستخدمين منخفضي النشاط) ودودة الكتب (المستخدمين عاليي النشاط).
المشكلة الجوهرية هي أن أمين المكتبة قد يخطئ أحياناً في تخميناته. وعندما يخطئ في التخمين مع "قادم خجول"، فقد يشعر هذا الشخص بالخوف ويغادر للأبد. لكن عندما يخطئ مع "دودة كتب"، فإن هذه الخطأ يمثل في الواقع فرصة رائعة لتعريفه بشيء جديد تماماً قد يحبه.
إليك كيف تحل هذه الورقة البحثية المشكلة باستخدام "مقياس عدم اليقين".
1. "مقياس عدم اليقين": معرفة متى لا تعرف
معظم أنظمة الترشيح تشبه المخمنين الواثقين؛ فهي تقول ببساطة: "ستحب هذا!" دون أن تعترف بـ "أنا لست متأكداً حقاً". تمنح هذه الورقة النظام "مقياس عدم يقين".
فكر في هذا المقياس مثل توقعات الطقس:
- عدم يقين منخفض: "من المؤكد أنها ستمطر." (النظام واثق).
- عدم يقين مرتفع: "قد تمطر، أو قد تكون مشمسة؛ ليس لدي بيانات كافية." (النظام مهتز).
لقد بنى الباحثون أداتين خاصتين لقياس هذا "الاهتزاز":
- شبكة الناقد: تخيل أمين مكتبة ثانٍ أصغر حجماً يراقب أمين المكتبة الرئيسي وهو يقدم توقعاته ويقول: "مهلاً، هذا التوقع يبدو مخاطرة لأننا لم نرَ هذا من قبل". هذه الأداة تتنبأ بمدى احتمالية وقوع أمين المكتبة الرئيسي في الخطأ.
- الأداة البايزية (Bayesian Tool): هذه الأداة تشبه الحدس القائم على الرياضيات. فهي تنظر إلى البيانات وتقول: "لدينا أمثلة قليلة جداً عن هذا الأمر، لذا فإن ثقتنا منخفضة بطبيعتها".
2. نهج الاستراتيجيتين
بمجرد أن يعرف النظام مدى "اهتزاز" التوقع، فإنه يعامل هذين النوعين من المستخدمين بشكل مختلف، تماماً مثل مدرب ماهر يعدل خطته التدريبية.
بالنسبة للقادمين الخجولين (المستخدمين منخفضي النشاط): قاعدة "السلامة أولاً"
- الموقف: هؤلاء المستخدمون شاهدوا عدداً قليداً جداً من الفيديوهات. النظام لا يعرفهم جيداً بعد.
- المخاطرة: إذا أخطأ النظام هنا، سيشعر المستخدم بالانزعاج ويغادر.
- الحل: تقليل القوة (Deboosting) لتجنب المخاطر.
- تشبيه: تخيل مرشداً يقود متنزهاً في غابة ضبابية. إذا لم يكن المرشد متأكداً من أي المسارات آمنة، فإنه يغلق المسارات الخطرة.
- في الورقة البحثية: إذا قال "مقياس عدم اليقين" إن فيديو ما "مخاطرة" (أي أن النظام غير واثق)، فإن النظام يخفض درجته أو يخفيه تماماً. إنه يلعب في الجانب الآمن لإبقاء المستخدم الجديد سعيداً ومنعه من المغادرة.
بالنسبة لدودة الكتب (المستخدمين عاليي النشاط): قاعدة "المغامرة"
- الموقف: هؤلاء المستخدمون شاهدوا الآلاف من الفيديوهات. النظام يعرفهم جيداً، لكنه قد يظل عالقاً في عرض نفس الأشياء القديمة لهم.
- الفرصة: عدم اليقين العالي هنا لا يعني "الخطر"؛ بل يعني "الغموض". إنه يعني أن النظام لم يجرب هذا النوع من المحتوى مع هذا المستخدم من قبل.
- الحل: استكشاف البحث عن المخاطر (UCB).
- تشبيه: تخيل مرشداً يقود مستكشفاً خبيراً. إذا رأى المرشد مساراً لم يستكشفه من قبل (عدم يقين عالٍ)، فإنه يقول: "لنذهب إلى هناك! إنه لغز، لكنه قد يكون مذهلاً".
- في الورقة البحثية: إذا قال "مقياس عدم اليقين" إن فيديو ما "مخاطرة" (بمعنى أن النظام غير متأكد)، فإن النظام يرفع درجته. إنه يدفع بنشاط هذه الفيديوهات الجديدة وغير المستكشفة للمستخدم لمساعدته على اكتشاف اهتمامات جديدة.
3. النتائج: ماذا حدث في العالم الحقيقي؟
اختبر الفريق هذه الطريقة على منصة بث مباشر ضخمة (مثل تيك توك أو تويتش) لمدة أسبوعين.
- للمستخدمين الجدد: من خلال حظر التوصيات الخطرة والمربكة، بقي هؤلاء المستخدمون في التطبيق لفترة أطول. لقد شاهدوا المزيد من المحتوى عالي الجودة وكانوا أقل عرضة للمغادرة. كان الأمر أشبه بمنحهم هبوطاً آمناً وسلساً.
- للمستخدمين النشطين: من خلال دفع المحتوى "الغامض"، بدأ هؤلاء المستخدمون في مشاهدة مجموعة أوسع بكثير من المواضيع. لم يكتفوا بمشاهدة نفس النوع من المحتوى فحسب، بل اكتشفوا هوايات وفئات جديدة لم يكونوا يعرفون أنهم يحبونها.
ملخص
تجادل الورقة البحثية بأن عدم اليقين ليس خللاً، بل هو ميزة.
- عندما تكون جديداً، فإن عدم اليقين يعني "توقف! لا تخمن، وإلا سأرحل". (لذا، يلعب النظام في الجانب الآمن).
- عندما تكون خبيراً، فإن عدم اليقين يعني "انطلق! جرب شيئاً جديداً، وإلا سأشعر بالملل". (لذا، يأخذ النظام مخاطرة).
من خلال استخدام "مقياس عدم اليقين" لتحديد متى يكون حذراً ومتى يكون مغامراً، أصبح نظام الترشيح أفضل في إبقاء الجميع سعداء، سواء كانوا في بدايتهم أو قضوا سنوات في المنصة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.