Heterogeneous Ranking in Industrial-Scale Recommender Systems: A Case Study
تقدم هذه الورقة دراسة حالة صناعية شاملة حول ترتيب خلاصات المحتوى غير المتجانس في "Google Discover"، حيث تقدم بنية HA-MoE للتعلم التكيفي متعدد المهام وإطار عمل LENS للمراقبة لإدارة تنوع المحتوى بفعالية مع تحسين كل من المقاييس غير المتصلة بالإنترنت وتفاعل المستخدم عبر الإنترنت.
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 إلى مكتبة ضخمة وفوضوية حيث تعيد الأرفف ترتيب نفسها باستمرار. رفٌ يحمل كتب تاريخ جادة، وآخر يحتوي على مقاطع فيديو مضحكة للقطط، وثالث به وصفات طعام، ورابع يتضمن أخباراً عاجلة. في عالم مثالي، سيعرف أمين المكتبة بالضبط ما تود قراءته بعد ذلك، سواء كنت في حالة مزاجية لقراءة نكتة سريعة أو للتعمق في التاريخ. لكن في عالم الإنترنت الحقيقي، هذه "المكتبة" هي خلاصة "Google Discover"، و"أمين المكتبة" هو برنامج حاسوبي يسمى "نظام التوصية" (Recommender System).
التحدي الذي يواجه أمناء المكتبة الحاسوبيين هؤلاء هو أنهم اعتادوا العمل في مكتبات منظمة ذات موضوع واحد، مثل مكان يحتوي فقط على الموسيقى أو فقط على الفيديوهات القصيرة. في تلك الأماكن، كان كل شيء يبدو ويتصرف بنفس الطريقة. لكن "Google Discover" مختلف؛ فهو يسحب المحتوى من الويب المفتوح بأكمله. وهذا يعني أن الحاسوب يجب أن يقرر بين مقال طويل، وفيديو مدته 10 ثوانٍ، ومنشور شخصي لمستخدم، وملخص مولد بواسطة الذكاء الاصطناعي، وكل ذلك في وقت واحد. الأمر يشبه مطالبة طاهٍ واحد بطهي شريحة لحم مثالية، وسوفليه رقيق، وتاكو حار لنفس الزبون، وكل ذلك باستخدام نفس مجموعة المكونات والأدوات. إذا ركز الطاهي أكثر من اللازم على شريحة اللحم، فقد يفسد التاكو. تتناول هذه الورقة البحثية المشكلة المعقدة المتمثلة في تعليم عقل حاسوبي واحد كيفية التعامل مع كل هذه "النكهات" المختلفة من المحتوى دون أن يرتبك أو يفضل المحتويات الأكثر صخبًا وشعبية.
واجه مؤلفو هذه الورقة، وهم فريق من جوجل، مشكلة محددة: نظامهم الحالي كان يشبه طاهياً "يتبع نهجاً واحداً يناسب الجميع". فقد حاول استخدام مجموعة واحدة من القواعد لترتيب كل شيء، مما أدى إلى وقوع أخطاء. أحياناً، كان النظام يدفع بمقالات "صيد النقرات" (Click-bait) منخفضة الجودة لمجرد أنها حصلت على الكثير من النقرات، بينما يقوم بدفن فيديوهات عالية الجودة يرغب الناس حقاً في مشاهدتها. ولحل هذه المشكلة، بنوا نظاماً جديداً يسمى HA-MoE (خليط الخبراء المتكيف مع التباين).
فكر في HA-M O E ليس كطاهٍ واحد، بل كمطبخ صاخب يضم مديراً ذكياً وفريقاً من الطهاة المتخصصين. في النظام القديم، كان طاهٍ واحد يحاول القيام بكل شيء. أما في النظام الجديد، فإن "المدير" (شبكة البوابة - Gating Network) ينظر إلى الطلب ونوع الطعام (المحتوى) ويقرر أي طاهٍ متخصص يجب أن يتولى المهمة. إذا كان الطلب لفيديو، يرسله المدير إلى "متخصص الفيديو". وإذا كان مقالاً نصياً، يذهب إلى "الكاتب". والأهم من ذلك، أن المدير لا يخمن فحسب، بل يستخدم "إشارة تباين" خاصة (Heterogeneity Signal) — وهي ملاحظة صغيرة تقول: "مهلاً، هذا فيديو، عامله بشكل مختلف!". هذا يضمن أن يتألق متخصص الفيديو دون أن يطغى عليه متخصص المقالات.
ولكن كيف تعرف ما إذا كان المطبخ يعمل جيداً بالفعل؟ أدرك الفريق أن مجرد النظر إلى العدد الإجمالي للزبائن السعداء ليس كافياً. قد يكون لديك يوم رائع بشكل عام، ولكن إذا كان متخصص الفيديو يفشل، فأنت تخسر الكثير. لذا، ابتكروا طريقة جديدة لقياس النجاح تسمى DL-AUC (مقياس AUC مزدل المستوى). تخيل تقييم المطبخ ليس فقط بناءً على إجمالي الوجبات المقدمة، ولكن أيضاً بناءً على مدى جودة أداء متخصص الفيديو مقارنة بمتخصص المقالات. يساعدهم هذا المقياس الجديد في رصد المشكلات حيث يتم تجاهل نوع معين من المحتوى بشكل غير عادل.
ولضمان بقاء النظام سليماً بمرور الوقت، بنوا أيضاً أداة تسمى LENS. هذه الأداة تشبه نظارات الأشعة السينية للمطبخ؛ فهي تسم تسمح للمهندسين بالنظر داخل عقل الحاسوب لمعرفة ما يفعله كل "متخصص". إذا بدأ النظام يصبح كسولاً وبدأ جميع المتخصصين في فعل الشيء نفسه، فإن LENS يكتشف ذلك فوراً. وهذا يساعد الفريق على إصلاح المشكلات قبل أن تفسد تجربة المستخدم.
كانت النتائج واعدة. فعندما اختبروا هذا النظام الجديد على مجموعة بيانات ضخمة من تفاعلات المستخدمين الحقيقية، أدى أداءً أفضل في ترتيب الإجراءات الإيجابية (مثل النقرات والإعجابات) والإجراءات السلبية (مثل تجاهل المنشور) مقارنة بالنظام القديم. لقد نجح في وقف "تحيز الأغلبية"، حيث كانت أنواع المحتوى الشائعة تسحق سابقاً الأنواع الأقل شيوعاً. وفي الاختبارات عبر الإنترنت مع مستخدمين حقيقيين، أدى النظام الجديد إلى زيادة عدد الأشخاص الذين يفتحون التطبيق، ويتصفحون بعمق أكبر، ويستكشفون مجموعة متنوعة من المحتويات. تشير الورقة البحثية إلى أنه من خلال تعليم الحاسوب صراحةً احترام الاختلافات بين أنواع المحتوى، بدلاً من إجباره على أن يكون متشابهاً، يمكننا بناء خلاصات أكثر ذكاءً، وعدلاً، ومتعة للجميع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.