Don't Contrast the Impossible: Region-Constrained Batching for Contrastive User Modeling on a Local Community Platform
تقترح هذه الورقة طريقة "أخذ العينات بالدفعات المقيدة بالمنطقة" (RCBS)، وهي طريقة دفعات مبتكرة لمنصات المجتمعات المحلية تستبدل العينات السلبية المستحيلة جغرافياً بأخرى ممكنة لتحسين نمذجة المستخدم التباينية، مما يعزز أداء التوصية والإعلان في بيئة الإنتاج.
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 تحاول تعليم روبوت كيف يفهم ما يحبه الناس. في عالم علوم الحاسوب، يُسمى هذا "أنظمة التوصية"، ويُبنى عقل الروبوت باستخدام تقنية تسمى "التعلم التبايني". فكر في الأمر كأنه لعبة "أوجد الفروق". لتعليم الروبوت ما يحبه المستخدم، تظهر له صورة لشيء نقر عليه (إيجابي) ثم تظهر له مجموعة من الصور الأخرى التي لم ينقر عليها (سلبيات). يتعلم الروبوت من خلال إدراك: "آه، المستخدم يحب هذا الشيء، لكنه لا يحب تلك الأشياء الأخرى".
لكي تعمل هذه اللعبة بشكل جيد، يجب أن تكون الصور "السلبية" التي تعرضها للروبوت هي أشياء كان بإمكان المستخدم رؤيتها ولكنه اختار تجاهلها ببساطة. إذا عرضت صورة لبطريق لمستخدم يعيش في وسط الصحراء ولم يسبق له رؤية بطريق، فلن يتعلم الروبوت شيئاً مفيداً. المستخدم لم يتجاهل البطريق لأنه لا يحبه؛ بل تجاهله لأنه كان من المستحيل عليه رؤيته في المقام الأول. تعالج هذه الورقة البحثية مشكلة محددة حيث توجد قواعد صارمة حول من يمكنه رؤية ماذا في "لوحة اللعب"، وكان الروبوت يصاب بالارتباك بسبب عرض أشياء مستحيلة عليه.
المشكلة: تعليم روبوت بخيارات مستحيلة
في تطبيق مجتمعي محلي مثل "Karrot" (وهو مكان شهير في كوريا الجنوبية لبيع وشراء الأشياء القريبة منك)، تختلف قواعد اللعبة تماماً عن متجر عالمي مثل "Amazon". في "Karrot"، يمكنك فقط رؤية العناصر الموجودة بالقرب منك. إذا كنت تعيش في سيول، فلن ترى دراجة للبيع في بوسان، حتى لو كانت أفضل دراجة على الإطلاق. التطبيق مصمم بحيث تعمل المسافة كجدار؛ فالأشياء الموجودة على الجانب الآخر من الجدار غير مرئية لك ببساطة.
وجد الباحثون أن الطريقة القياسية لتدريب الروبوت كانت ترتكب خطأً فادحاً. كان يتم تدريب الروبوت باستخدام "الدفعات المصغرة" (mini-batches)، وهي مجرد مجموعات صغيرة من المستخدمين والعناصر المختلطة معاً بشكل عشوائي. وبسبب هذا الخلط العشوائي، كان الرباط يُعرض عليه غالباً عناصر مستحيلة مادياً لمستخدم معين رؤيتها. على سبيل المثال، قد يُعرض لمستخدم في حي ما عنصراً من حي آخر يبعد عنه 50 كيلومتراً.
تسمي الورقة البحثية هذه الحالات "السلبيات المستحيلة". عندما يرى الروبوت مستخدماً يتجاهل عنصراً كان من المستحيل عليه رؤيته، فإنه يعتقد: "حسناً، هذا المستخدم بالتأكيد يكره هذا العنصر!". لكن هذا خطأ. المستخدم لم يكرهه؛ بل لم يستطع رؤيته فحسب. هذا يشبه معلماً يوبخ طالباً لأنه لم يجب على سؤال مكتوب بلغة لا يتحدثها الطالب. تجادل الورقة بأن ملء لعبة التدريب بهذه الخيارات "المستحيلة" يضعف تعلم الروبوت، مما يجعله سيئاً في تخمين ما يريده الناس حقاً.
الحل: قاعدة "نفس الحي"
لإصلاح ذلك، اقترح المؤلفون، سونغهو هان، وبيونغ تشانغ كيم، وجين يو، طريقة جديدة لتنظيم لعبة التدريب تسمى أخذ عينات الدفعات المقيدة إقليمياً (RCBS).
بدلاً من رمي الجميع في دلو واحد كبير، يعمل نظام RCBS مثل مراقبة الحي الصارمة. فعندما ينشئ مجموعة من المستخدمين لتدريب الرብوت، فإنه يختار فقط المستخدمين الذين يعيشون في نفس المنطقة (أو مناطق قريبة جداً). ولأن الجميع في المجموعة يعيشون في مكان قريب، فإن كل عنصر يُعرض في المجموعة هو شيء يمكن لأي شخص في تلك المجموعة رؤيته نظرياً.
هذا التغيير البسيط له تأثير قوي. الآن، عندما يرى الروبوت مستخدماً يتجاهل عنصراً ما، فهو يعلم يقيناً أن المستخدم كان بإمكانه رؤيته. إذا ظل لم ينقر عليه، فهذه إشارة حقيقية على عدم اهتمامه. تُسمى هذه الخيارات "السلبيات الممكنة". تشير الورقة إلى أن هذه الخيارات "الممكنة" هي في الواقع أصعب وأكثر فائدة للروبوت للتعلم منها مقارنة بالخيارات "المستحيلة" السهلة. إنه يشبه ترقية تدريب الروبوت من "تخمين ما يوجد في صندوق مغلق" إلى "تخمين ما يوجد في صندوق أمامك مباشرة".
ما وجدوه: روبوت أفضل
اختبر الفريق هذه الفكرة بطريقتين: أولاً، من خلال إجراء عمليات محاكاة غير متصلة بالإنترنت (مثل مباراة تجريبية)، وثانياً، من خلال اختبارها على التطبيق الحقيقي مع مستخدمين حقيقيين (اختبار A/B مباشر).
في المحاكاة، قاموا بقياس عدد الخيارات "المستحيلة" في مجموعات التدريب. مع الطريقة العشوائية القديمة، كانت نسبة مذهلة بلغت 98% من الخيارات السلبية مستحيلة بالنسبة للمستخدم لرؤيتها. أما مع طريقة RCBS الجديدة، فقد تمكنوا من خفض هذا الرقم إلى 30%.
كانت النتائج واضحة. الروبوت الذي تم تدريبه باستخدام "قاعدة الحي" الجديدة أصبح أفضل بكثير في فهم المستخدمين.
- الاختبارات غير المتصلة بالإنترنت: تحسن قدرة الروبوت الجديد على إيجاد العناصر الصحيحة بنسبة تقارب 7.56% للبحث في الصفحة الرئيسية و 4.61% لتصنيفات الإعلانات، مقارنة بالروبوت القديم.
- الاختبارات المباشرة: عندما وضعوا الروبوت الجديد في التطبيق الفعلي، كانت النتائج أكثر إثارة. ارتفع عدد النقرات على الصفحة الرئيسية بنسبة 10.0%، وزاد عدد الأشخاص الذين شاهدوا الصفحة (الظهور) بنسبة 5.12%. حتى الإعلانات أدت بشكل أفضل، مع زيادة بنسبة 7.46% في عدد الأشخاص الذين نقروا عليها.
الخلاصة
تخلص الورقة البحثية إلى أنه بالنسبة للمنصات المجتمعية المحلية، لا يمكنك مجرد خلط المستخدمين والعناصر عشوائياً. يجب عليك احترام الجغرافيا. من خلال ضمان أن يتعلم الروبوت فقط من الأشياء التي يمكن للمستخدمين رؤيتها بالفعل، يتعلم الروبوت بشكل أسرع وأذكى بكثير. لقد نشر المؤلفون بالفعل هذه الطريقة الجديدة في "Karrot"، وهي تساعد الآن ملايين المستخدمين في العثور على الأشياء التي يريدونها حقاً، في أحيائهم الخاصة. ويشيرون إلى أنه بينما تعد هذه خطوة كبيرة للأمام، فقد تكون هناك طرق أخرى لضبط قواعد "الحي" هذه بدقة في المستقبل، ولكن في الوقت الحالي، أثبت الإصلاح البسيط المتمثل في "عدم المقارنة بين المستحيلات" أنه فائز.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.