🤖 AI

Ocean4Rec: Offline LLM-Derived OCEAN Profiles for Request-Time VOD Reranking

يُعد Ocean4Rec إطار عمل لإعادة الترتيب يعمل دون اتصال بالإنترنت ومُدار بواسطة النماذج اللغوية الكبيرة، حيث يقوم بالحساب المسبق لملفات تعريف شخصية OCEAN لعناصر الفيديو حسب الطلب (VOD) والمستخدمين لتمكين عملية إعادة ترتيب فعالة وخالية من النماذج اللغوية الكبيرة وقت الطلب، مما يحسن بشكل كبير مقاييس NDCG@20 وHR@20 في سجلات أجهزة تلفزيون سامسونج الذكية مقارنة بالنماذج الصناعية القوية.

المؤلفون الأصليون: Wonkyun Kim, Sehyun Bae, Kwanki Ahn, Mungyu Bae, Saeun Choi, Soyeon You, Chandra Prabhakar, Sehyun Kim

نُشر 2026-05-28

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Wonkyun Kim, Sehyun Bae, Kwanki Ahn, Mungyu Bae, Saeun Choi, Soyeon You, Chandra Prabhakar, Sehyun Kim

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 تدير خدمة بث فيديو ضخمة، مثل "نتفليكس" رقمي لملايين الأشخاص. لديك فريق من "الموصين" (الخوارزميات) الذين يقترحون عليك الأفلام والبرامج. عادةً ما تعمل هذه الأنظمة في خطوتين: أولاً، تجلب قائمة كبيرة من الأفلام المحتملة ("قائمة المرشحين")، وثانياً، تقوم بترتيب هذه القائمة لتضع الأفضل منها في الأعلى.

المشكلة هي أن الذكاء الاصطناዊ الحديث (النماذج اللغوية الكبيرة، أو LLMs) بارع حقاً في فهم سبب كون الفيلم مثيراً للاهتمام، لكنه بطيء ومكلف جداً إذا طُلب منه تقديم المشورة في كل مرة يضغط فيها مستخدم على زر "تحديث". الأمر يشبه استئجار ناقد طعام مشهور لتذوق كل طبق في بوفيه مفتوح قبل تقديمه للزبون؛ سيبرد الطعام، وستكون الفاتورة باهظة للغاية.

Ocean4Rec هو حل ذكي من سامسونج يجمع بين أفضل ما في العالمين: الفهم العميق للذكاء الاصطناعي الذكي، وسرعة الكمبيوتر العادي. إليك كيف يعمل، مقسماً ببساًطة:

1. "الناقد غير المتصل" (مرحلة التحضير)

بدلاً من سؤال الذكاء الاصطناعي عن تقييم الأفلام في الوقت الفعلي، يستخدم الفريق الذكاء الاصطناዊ خارج أوقات العمل (عندما لا يشاهد أحد شيئاً).

التشبيه: تخيل فريقاً من أمناء المكتبة الخبراء يجلسون في غرفة هادئة، يقرأون ملخصات وأوصاف آلاف الأفلام. هم لا يكتفون بكتابة مراجعة فحسب؛ بل يمنحون كل فيلم "درجة شخصية" بناءً على نموذج OCEAN (وهي طريقة شهيرة لوصف الشخصيات البشرية):
- Openness (الانفتاح: هل هو مبدع وغريب؟)
- Conscientiousness (اليقظة/الضمير: هل هو منظم ومنضبط؟)
- Extraversion (الانبساط: هل هو صاخب واجتماعي؟)
- Agreeableness (المقبولية: هل هو دافئ وودود؟)
- Neuroticism (العصابية: هل هو عاطفي وحاد؟)
النتيجة: يحصل كل فيلم في الكتالوج على "بطاقة شخصية" بسيطة مكونة من 5 أرقام مخزنة في قاعدة البيانات. هذا يحدث مرة واحدة، وليس في كل مرة تضغط فيها على زر.

2. "ملف ذوق المستخدم" (مرحلة الحساب)

عندما تشاهد برنامجاً، لا يسأل النظام الذكاء الاصطناعي "ماذا يحب هذا المستخدم؟" بدلاً من ذلك، ينظر إلى "بطاقات الشخصية" الخاصة بالبرامج التي نقرت عليها مؤخراً.

التشبيل: إذا شاهدت ثلاثة أفلام تتسم بـ "الانفتاح" و"العصابية" مؤخراً، فإن النظام يحسب أن ذوقك الحالي هو مزيج من "الانفتاح" و"العصابية". إنه ينشئ "بطاقة ذوق مستخدم" بسيطة مكونة من 5 أرقام لك. وهو ينسى الأذواق القديمة (مثل الذاكرة الباهتة) ليركز على ما تحبه الآن.

3. "الفرز السريع" (مرحلة الطلب)

الآن، عندما تفتح التطبيق وتطلب توصيات:

يجلب النظام قائمة تضم 1,000 فيلم من خوارزميته القياسية والسريعة.
يبحث عن "بطاقة ذوق المستخدم" الخاصة بك و"بطاقات شخصية الأفلام" لتلك الـ 1,000 فيلم.
يقوم بعملية فحص رياضي سريعة: "هل تطابق شخصية هذا الفيلم ذوق المستخدم الحالي؟"
كما يضيف مكافأة لـ الحداثة (الأفلام الأحدث تحصل على دفعة طفيفة).
الأهم من ذلك: هو لا يستدعي الذكاء الاصطناዊ. إنه يقوم فقط بعمليات حسابية بسيطة على البطاقات المعدة مسبقاً.

لماذا يعد هذا أمراً مهماً؟

السرعة والاستقرار: بما أن الذكاء الاصطناዊ لا يعمل أثناء الطلب الفعلي، فإن النظام سريع للغاية ولن يتعطل إذا أصبح خادم الذكاء الاصطناዊ مشغولاً. إنه يشبه وجود وجبة مطبوخة جاهزة بالفعل، بدلاً من الطبخ من الصفر في كل مرة يصل فيها ضيف.
توصيات أفضل: في اختباراتهم (باستخدام بيانات تلفزيونات سامسونج الذكية)، حسنت هذه الطريقة جودة التوصيات بشكل كبير مقارنة بمجرد التصنيف حسب الشعبية أو الحداثة.
- بالنسبة لنوع واحد من الخوارزميات (NCF)، حسنت التوصيات "الـ 20 الأولى" بنحو 7.6%.
- بالنسبة لنوع آخر (LightGCN)، حسنتها بنسبة هائلة بلغت 61.5%.
الأمان: النظام مصمم ليكون "آمناً ضد الفشل". إذا لم يكن للفيلم بطاقة شخصية (رب perhaps بسبب فقدان الوصف)، يتجاهل النظام الجزء الخاص بالذكاء الاصطناዊ ويعرض الفيلم بناءً على درجته القياسية. إنه لا يفسد تجربة المستخدم أبداً.

الخلاصة

Ocean4Rec يشبه توظيف مستشار ذكي للقيام بالتفكير الثقيل قبل افتتاح المتجر، بحيث عندما يدخل الزبائن، يمكن للموظفين توجيههم فوراً إلى المنتج المثالي دون الحاجة للاتصال بالمستشار في كل مرة. إنه يحافظ على التوصيات شخصية وذكية، مع بقاء النظام سريعاً، رخيصاً، وموثوقاً.

ملخص تقني: Ocean4Rec

بيان المشكلة

تتطلب أنظمة التوصية بالفيديو حسب الطلب (VOD) الصناعية فهماً أعمق للمحتوى لتحسين رضا المستخدمين. وبينما توفر النماذج اللغوية الكبيرة (LLMs) قدرات استدلال متقدمة لاستخراج الميزات وتقييم المرشحين، فإن دمجها مباشرة في مسار الخدمة أثناء وقت الطلب (request-time) يفرض تحديات تشغيلية كبيرة. وتحديداً، يتضمن استدعاء النماذج اللغوية الكبيرة لكل طلب بناء المطالبات (prompts)، وتوليد الرموز (tokens)، واستدعاء النموذج، وتحليل المخرجات، ومعالجة حالات الفشل. وفي البيئات ذات الحجم العالي والحساسية لزمن الاستجابة، تعقد هذه العمليات تخطيط الإنتاجية، والتحكم في زمن الاستجذبة (tail-latency)، وعزل السعة، وتشغيل النظام بشكل يمكن التنبؤ به. تكمن المشكلة الجوهرية في كيفية الاستفال من الرؤى المستمدة من النماذج اللغوية الكبيرة دون تحمل مخاطر زمن الاستجابة والاستقرار المرتبطة بالاستدعاءات المباشرة عبر الإنترنت.

المنهجية: Ocean4Rec

يقترح Ocean4Rec طبقة لإعادة الترتيب (reranking layer) تفصل الاستدلال الخاص بالنماذج اللغوية الكبيرة عن مسار الخدمة عبر الإنترنت. يعمل النظام وفق مبدأ "التجسيد خارج الخط (offline materialization)، والتقييم عبر الخط (online scoring)"، مستخدماً تصنيف الشخصية OCEAN (الانفتاح، اليقظة، الانبساط، الوفاق، والعصابية) كتمثيل للمحتوى مقيد بالمخطط (schema-constrained).

1. توصيف العناصر خارج الخط (Offline Item Profiling)

العملية: يُستخدم نموذج لغوي كبير (Google Gemini 2.5 Pro) كمُصنف خارج الخط لمعالجة بيانات الميتا-داتا الخاصة بالفيديو (العنوان، الحبكة، الوصف، النوع).
المخرجات: يتم تعيين كل عنصر مؤهل إلى متجه عدد صحيح خماسي الأبعاد يمثل درجات OCEAN، مصحوباً بدرجة ثقة وسلسلة استدلال قصيرة.
التحقق: تقوم خطوط المعالجة بالتحقق من سجلات البيانات المولدة للتأكد من التزامها بالتنسيق والنطاق. أما العناصر التي تفتقر إلى بيانات الميتا-داتا أو التي تنتج عنها مخرجات غير صالحة من النموذج اللغوي، فتتلقى ملفات تعريف بديلة محايدة ذات ثقة منخفضة، مما يضمن بقاءها مؤهلة للموصي الأساسي.

2. توصيف ذوق المستخدم (User Taste Profiling)

البناء: ملفات تعريف المستخدمين ليست ثابتة؛ بل هي متجهات ديناميكية مشتقة من التفاعلات الضمنية الأخيرة (النقرات، الروابط العميقة) مع العناصر التي تم توصيفها.
التجميع: متجه OCEAN الخاص بالمستخدم ( $z_u$ ) هو متوسط مرجح يتلاشى زمنياً لمتجهات OCEAN الخاصة بالعناصر المستهلكة ( $q_i$ ).
التلاشي: تُوزن التفاعلات باستخدام دالة تلاشي نصف العمر الأسي ( $w_{time}(a) = 0.5^{a/h}$ )، حيث ( $a$ ) هو عمر التفاعل بالأيام و ( $h$ ) هو نصف العمر (90 يوماً في التنفيذ المذكور). وهذا يلتقط الديناميكيات الزمنية لتفضيلات المستخدم.

3. إعادة الترتيب عند وقت الطلب (Request-Time Reranking)

عند وقت الخدمة، يسترجع النظام قائمة مرشحين مُسجلة (Top 1000) من مولد أساسي (مثل NCF أو LightGCN). لا يتم استدعاء أي نموذج لغوي كبير هنا. درجة إعادة الترتيب $S(u, i)$ هي مزيج خطي من ثلاثة مكونات:
$S(u, i) = \alpha B(u, i) + \beta P(u, i) + \gamma R(i)$

$B(u, i)$ : درجة الموصي الأساسي (بعد تطبيع الحد الأدنى والأقصى - min-max normalized).
$P(u, i)$ : حد التوافق مع OCEAN، ويُحسب كمعامل ارتباط بيرسون بين متجه المستخدم $z_u$ ومتجه العنصر $q_i$ ، مع تقليله وتحويله إلى النطاق $[0, 1]$ .
$R(i)$ : حد حداثة الكتالوج بناءً على عمر إصدار المحتوى.
الحالة البديلة (Fallback): إذا كان المستخدم أو العنصر يفتقر إلى ملف تعريف OCEAN صالح، يتم إعادة تخصيص وزن OCEAN ( $\beta$ ) إلى الدرجة الأساسية ( $\alpha$ )، مما يضمن تراجع النظام بسلاسة نحو الترتيب الأساسي.

المساهمات الرئيسية

تقدم الورقة ثلاث مساهمات محددة لمسار الصناعة في أنظمة التوصية (RecSys Industry Track):

نمط تجسيد النماذج اللغوية الكبيرة خارج الخط: تصف نمطاً لدمج ملفات تعريف محتوى OCEAN المستمدة من النماذج اللغوية الكبيرة في إعادة الترتيب الصناعي دون الحاجة إلى استدعاءات للنماذج اللغوية الكبيرة أثناء وقت الطلب، مما يحافظ على إمكانية التنبؤ بمسار الخدمة.
تمثيل في نفس الفضاء: تُعرف تمثيلاً موحداً حيث يتم توصيف العناصر من خلال الميتا-داتا، ويتم تمثيل المستخدمين من خلال التجميع المتلاشي زمنياً لملفات تعريف العناصر المستهلكة، مما يسمح بحساب التوافق المباشر دون الحاجة إلى محاذاة متعلمة.
التقييم بالاحتجاز الزمني: تقدم تقارير حول تقييمات خارج الخط (offline evaluations) باستخدام طريقة الاحتجاز الزمني لنفس المرشحين على سجلات Samsung Smart TV VOD مجهولة المصدر باستخدام مولدات NCF و LightGCN، مع حصر جميع الادعاءات التجريبية في هذه الإعدادات المحددة.

النتائج

أُجريت التقييمات على سجلات مجهولة المصدر من بيئة Samsung Smart TV VOD، باستخدام احتجاز زمني (بيانات التدريب حتى 31 مارس 2026؛ والتقييم في الفترة من 1 إلى 27 أبريل 2026).

الأداء مقابل النماذج المرجعية:
- مولد NCF: أدى Ocean4Rec إلى تحسين NDCG@20 بنسبة 7.6% مقارنة بالنموذج المرجعي الأقوى "Base+Recency". أما التحسن في HR@20 فكان غير حاسم.
- مولد LightGCN: أدى Ocean4Rec إلى تحسين NDCG@20 بنسبة 61.5% مقارنة بـ "Base+Recency" و HR@20 بنسبة 67.3%.
تحليل المكونات: أظهر مكون "Base+OCEAN" وحده نتائج مختلطة (حسّن HR ولكنه خفض أحياناً NDCG/MRR مقارنة بـ Base)، مما يشير إلى أن OCEAN يكون أكثر فعالية عند اقترانه بإشارات الصلة الأساسية والحداثة معاً.
التشخيصات الثانوية: أظهرت المقارنات مع تنفيذ يعتمد على الميتا-داتا فقط لـ Persona4Rec على مجموعات بيانات عامة (Amazon-Books, Yelp) نتائج تنافسية، رغم أن الورقة تشير إلى أن هذه مجرد فحوصات سلامة وليست مقارنات مباشرة بسبب الاختلافات الهيكلية (مثل غياب دمج الدرجة الأساسية في التشخيص).

الأهمية والادعاءات

تضع الورقة Ocean4Rec ليس كحل عالمي، بل كـ ميزة محتوى مساعدة محدودة النطاق تحافظ على مزايا القابلية للنشر التي يوفرها مسار الخدمة الخالي من استدعاءات النماذج اللغوية الكبيرة في وقت الطلب.

الاستقرار التشغيلي: الأهمية الأساسية هي هيكلية: فهي تزيل التباين الناتج عن بناء المطالبات، وتوليد الرموز، واستدعاء النموذج من حلقة الخدمة الحرجة، مما يضمن زمن استجابة وإنتاجية يمكن التنبؤ بهما.
القابلية للتفسير: على عكس التضمينات الكثيفة (dense embeddings)، يوفر فضاء OCEAN خماسي الأبعاد مجموعة ميزات قابلة للفحص تمكن المشغلين من تشخيص سبب ترقية أو خفض ترتيب العناصر.
الخصوصية والحوكمة: يفصل النظام بصرامة بين بيانات سلوك المستخدم ومدخلات النماذج اللغوية الكبيرة (النموذج اللغوي يرى فقط ميتا-داتا العناصر). تُعامل متجهات OCEAN الخاصة بالمستخدم كسمات توصية داخلية، وليس كأوصاف نفسية، مع التوصية بضوابط حوكمة محددة للاحتفاظ بالملفات ومراقبة الظهور.
النطاق المتواضع: يذكر المؤلفون صراحة أن النتائج هي تقديرات نقطية خارج الخط. هم لا يدعون تأثيراً في اختبارات A/B عبر الإنترنت، أو توفيراً في زمن الاستجابة المقاس، أو تحسينات في نتائج الأعمال (مثل الاحتفاظ بالمستخدمين)، مشيرين إلى أن التكلفة الإجمالية للنظام تعتمد على عوامل مثل حجم الكتالوج ودورة الدفعات التي لم يتم قياسها. يعمل هذا العمل كدليل على جدوى التجسيد خارج الخط للنماذج اللغوية الكبيرة في البيئات الصناعية.