PinEqualizer: Full Funnel Content Exploration and Debiasing System at Pinterest
تقدم هذه الورقة نظام PinEqualizer، وهو نظام لاستكشاف المحتوى وإزالة الانحياز عبر كامل القمع، تم نشره في Pinterest، يعالج مشكلة البداية الباردة من خلال موازنة اكتشاف المحتوى الجديد مع تفاعل المستخدم عبر أسطح البحث والتوصية، مع استخدام إطار عمل قابل للتوسع للتحقق من التأثيرات قصيرة وطويلة المدى.
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 ولا متناهية حيث يتم إعادة ملء الرفوف باستمرار بكتب جديدة. في هذه المكتبة، وظيفة المكتبيين (الذين هم في الواقع برامج حاسوبية فائقة الذكاء) هي منحك الكتاب المثالي لتقرأه الآن. لكن هناك مشكلة: المكتبيون لديهم عادة سيئة؛ فهم يحبون الكتب التي رأوها مليون مرة من قبل. إنهم يعرفون تمامًا مدى شعبية تلك الأعمال القديدية المفضلة، لذا يستمرون في حشرها في يديك. وفي الوقت نفسه، تظل الكتب الجديدة تمامًا، التي لم يقرأها أحد بعد، عالقة في الخلف وتجمع الغبار. هذه مشكلة تسمى مشكلة "البداية الباردة" (cold-start). فإذا لم يحصل الكتاب الجديد على فرصة للقراءة، فلن يتمكن المكتبيون من التعلم ما إذا كان جيدًا حقًا، وبالتالي لن يوصوا به أبدًا. تنتهي المكتبة في حلقة مملة حيث تُروى فقط القصص القديمة نفسها، بينما لا تحصل الأصوات الجديدة والمثيرة على فرصتها للظهور.
هذه الورقة البحثية تتحدث عن فريق من المهندسين في "بينترست" (Pinterest) قرروا حل هذه المشكلة تحديدًا. لقد بنوا نظامًا جديدًا يسمى "بين إيكوالايزر" (PinEqualizer) لمساعدة المكتبيين الحاسوبيين على التوقف عن التحيز تجاه المحتوى "المشهور" القديم والبدء في إعطاء فرصة عادلة للأشياء الجديدة والمنعشة. لم يكتفوا بتعديل جزء واحد من العملية، بل أحدثوا تغييرًا جذريًا في المسار بأكمله، بدءًا من كيفية اختيار الكتب الجديدة التي يجب النظر إليها، وصولًا إلى كيفية العثور عليها، وصولًا إلى كيفية اتخاذ القرار بشأن أي منها ستعرضه لك. كان هدفهم هو التأكد من حصول المحتوى الجديد على فرصة عادلة لإثبات نفسه، وهو ما وجدوا أنه يؤدي إلى مستخدمين أكثر سعادة ومكتبة أكثر تنوعًا وصحة بشكل عام.
المشكلة: مكتبة "الغني يزداد غنى"
تعتبر "بينترست" بمثابة محرك اكتشاف بصري عملاق يحتوي على مئات المليارات من العناصر الفريدة، والتي تسمى "بينز" (Pins). كل يوم، يتم رفع الملايين من الـ "بينز" الجديدة. مهمة النظام هي مطابقة هذه الـ "بينز" مع المستخدمين الذين سيحبونها. ولكن هناك فخ خفي: النظام يتعلم من التاريخ. إذا تم النقر على "بين" كثيرًا في الماضي، يفكر النظام: "هذا رائع!" ويعرضه لمزيد من الناس. أما إذا كان الـ "بين" جديدًا وليس له تاريخ، فإن النظام يخاف من عرضه لأنه لا يعرف ما إذا كان جيدًا أم لا.
يخلق هذا تأثير "الغني يزداد غنى"؛ حيث تزداد شعبية المحتوى القديم والمشهور أكثر فأكثر، بينما يُدفن المحتوى الجديد والمنعش. مع مرور الوقت، يضر هذا المنظومة بأكملها؛ فلا يستطيع المبدعون الجدد النمو، ويتوقف المستخدمون عن رؤية أشياء جديدة ومثيرة. أدرك المهندسون أن مجرد محاولة "الاستكشاف" (عرض أشياء جديدة عشوائيًا) لم تكن كافية. كانوا بحاجة إلى إصلاح التحيز داخل النظام بعمق حتى يتمكن الحاسوب من التنبؤ بمدى جودة المحتوى الجديد دون الحاجة إلى تاريخ طويل أولاً.
الحل: PinEqualizer
بنى الفريق نظامًا جديدًا يسمى PinEqualizer يعمل عبر كامل "القمع" (funnel) الذي يصل من خلاله المحتوى إلى المستخدم. فكر في القمع مثل منزلق مائي للـ "بينز". يجب أن يمر الـ "بين" عبر عدة مراحل ليصل إلى شاشة المستخدم:
- اختيار المتن (Corpus Selection): تقرير أي الـ "بينز" الجديدة تستحق البقاء في المجموعة.
- الاسترجاع (Retrieval): العثัง على الـ "بينز" المناسبة لمستخدم معين.
- التصنيف (Ranking): تقرير الترتيب الدقيق لعرضها.
يضيف PinEqualizer أدوات خاصة عند كل مرحلة من مراحل هذا المنزلق لضمان عدم تعثر المحتوى الجديد في الأسفل.
1. اختيار أفضل الوافدين الجدد (اختيار المتن)
بما أن هناك عددًا كبيرًا جدًا من الـ "بينز" الجديدة لفحص كل واحدة منها، يستخدم النظام لعبة تخمين ذكية تسمى "توزيع تومسون" (Thompson Sampling). تخيل أن لديك حقيبة من الصناديق الغامضة؛ بعض الصناديق لديها فرصة عالية لاحتواء لعبة بالداخل، وبعضها لديه فرصة منخفضة. بدلًا من فتح كل الصناديق، يختار النظام الصناديق التي قد تكون الأفضل، بناءً على مزيج مما يعرفه عن المبدع وقليل من الحظ. كما بنوا "مكتبة استكشاف" خاصة للمحتوى الجديد فقط، حتى لا يضطر النظام للتنافس مع الـ "بينز" القديمة والمشهورة مباشرة.
2. إيجاد المطابقة الصحيحة (الاسترجاع)
بمجرد أن يمتلك النظام مجموعة من الـ "بينز" الجديدة الجيدة، فإنه يحتاج للعثور على المناسب منها لك. عادةً، ينظر النظام إلى كيفية ارتباط الـ "بينز" ببعضها البعض (مثل شبكة من الأصدقاء). لكن الـ "بينز" الجديدة ليس لديها الكثير من الأصدقاء بعد! لذلك، علم المهندسون النظام استخدام القرائن "القائمة على المحتوى" بدلاً من ذلك. استخدموا ذكاءً اصطناعيًا متقدمًا لفهم ما تبدو عليه الصورة بالفعل (باستخدام أشياء مثل نماذج اللغة البصرية) بدلاً من مجرد النظر إلى من قام بحفظها من قبل. كما أنشأوا "قناة مخصصة" لضمان إرسال تدفق ثابت من الـ "بينز" الجديدة عبر المنزلق، حتى لو لم تكن مشهورة بعد.
3. القرار النهائي (التصنيف)
هذا هو الجزء الأهم. عندما يتعين على النظام اختيار القائمة النهائية من الـ "بينز" لعرضها لك، فإنه يعتمد عادةً بشكل كبير على البيانات الماضية. إذا لم يكن للـ "بين" بيانات سابقة، فغالبًا ما يعطيها النظام درجة منخفضة. يعالج PinEqualizer هذا الأمر من خلال:
- تعليم الذكاء الاصطناعي تجاهل الماضي: استخدموا خدعة تسمى "الإسقاط" (dropout)، حيث يقومون بإخفاء أرقام "الشعبية" عشوائيًا أثناء التدريب. هذا يجبر الذكاء الاصطناوي على تعلم كيفية الحكم على الـ "بين" بناءً على محتواها الفعلي (الصورة والوصف) بدلاً من مجرد شهرتها.
- منح دفعة ثقة: أضافوا "مكافأة" (bonus) للقطع الجديدة. الأمر يشبه قول: "نحن لا نعرف ما إذا كانت هذه جيدة بعد، ولكن دعونا نمنحها فرصة عادلة لتُرى". يتم ذلك باستخدام طريقة تسمى UCB (الحد العلوي للثقة)، والتي تضيف بعض الحماس للقطع التي لم تُشاهد كثيرًا.
- معايرة الدرجات: تأكدوا من أن النظام لا يعاقب المحتوى الجديد بشكل غير عادل لمجرد أنه جديد. قاموا بتعديل الرياضيات بحيث تحصل الـ "بين" الجديدة ذات الإمكانات العالية على نفس الفرصة التي تحصل عليها الـ "بين" القديمة والمشهورة.
كيف قاسوا النجاح
قد تتساءل، "كيف تعرف أن هذا يعمل حقًا؟" إذا عرضت للناس أشياء جديدة فقط، فقد ينقرون أقل في البداية لأنهم لا يعرفون الأشياء الجديدة بعد. هذه هي مشكلة "الألم قصير المدى مقابل الربح طويل المدى".
لحل هذه المشكلة، بنى الفريق إطار قياس خاص:
- اختبار "الاستبعاد" (Holdout Test): أجروا تجربة طويلة الأمد حيث شاهدت مجموعة من المستخدمين محتوىً قديمًا فقط (بدون محتوى جديد)، بينما شاهدت مجموعة أخرى المحتوى الجديد المستكشف. وجدوا أن المجموعة التي شاهدت المحتوى الجديد كان لديها تفاعل أفضل على المدى الطويل. أثبت هذا أن المحتوى الجديد كان قيمًا بالفعل، حتى لو استغرق بعض الوقت لاكتشافه.
- مقياس "التخرج" (Graduation Metric): حددوا نقطة "تخرج". بمجرد أن تحصل الـ "بين" الجديدة على عدد كافٍ من التفاعلات الإيجابية (إعجابات، حفظ) خلال عدد معين من الأيام، فإنها "تتخرج" من كونها لغزًا لتصبح كيانًا معروفًا. تتبعوا عدد الـ "بينز" التي تتخرج بنجاح.
- مقياس "غير المستكشف كفاية" (Under-Explored Metric): قاموا بقياس مقدار التفاعل الذي كان يحصل عليه النظام من المحتوى الذي لم يُشاهد كثيرًا بعد. ساعدهم هذا في معرفة ما إذا كانت تغييراتهم تساعد بالفعل في جعل الأشياء الجديدة تبرز.
النتائج
كانت النتائج مبهرة. بعد نشر PinEqualizer، شهدت "بينترست" زيادة بنسبة 350% في ظهور المحتوى الجديد. وهذا يعني أن المستخدمين كانوا يرون المزيد بكثير من الـ "بينز" الجديدة مقارنة بالسابق.
- تفاعل المستخدمين: أدى النظام إلى زيادة بنسبة 24% في الجلسات الناجحة في أمريكا الشمالية، وزيسبة 49% دوليًا.
- التسوق: كان التأثير هائلاً على التسوق؛ حيث زادت جلسات التسوق بنسبة 63% في أمريكا الشمالية، مما يشير إلى أن المنتجات الجديدة بدأت أخيرًا تحصل على الاهتمام الذي تستحقه.
- صحة المبدعين: ساعد النظام المزيد من المبدعين على النجاح. حيث قفز عدد "مزودي المحتوى الناجحين" (المبدعين الذين حصل محتواهم على قدر جيد من الاهتمام) بنسبة 99% على أساس سنوي.
لماذا هذا مهم
توضح الورقة البحثية أنه ليس عليك الاختيار بين عرض ما يحبه المستخدمون الآن وبين عرض ما قد يحبونه في المستقبل. من خلال إصلاح التحيز في عقل النظام، يمكنك القيام بكليهما. وجد المهندسون أنه من خلال إجراء تغييرات صغيرة وذكية في كل خطوة من خطوات العملية — اختيار المرشحين الأفضل، والعثور عليهم بشكل أفضل، وتصنيفهم بشكل عادل — يمكنهم كسر حلقة "الغني يزداد غنى".
تعلموا أيضًا أنه لا يمكنك إصلاح جزء واحد فقط من النظام. فإذا أصلحت مرحلة التصنيف ولكن مرحلة الاسترجاء لا تزال متحيزة، فلن يصل المحتوى الجديد أبدًا إلى مرحلة التصنيف. الأمر يشبه امتلاك كتاب جديد رائع ولكنك تغلقه في غرفة لا يستطيع أحد العثور عليه فيها. لقد فتح PinEqualizer المكتبة بأكملها.
في النهاية، لم يساعد نظام PinEqualizer "بينترست" في عرض المزيد من الـ "بينز" الجديدة فحسب، بل ساعد في خلق منظومة أكثر صحة حيث يمكن للمبدعين الجدد النمو، ويمكن للمستخدمين اكتشاف عالم أوسع وأكثر إثارة من المحتوى. تشير الورقة إلى أن هذا النهج "كامل المسار" (full-funnel) هو وسيلة قوية لحل مشكلات البداية الباردة في أي نظام توصية واسع النطاق، مما يثبت أن العدالة والدقة يمكن أن يسيران جنبًا إلى جنب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.