Decoupled Temporal Encoding for Generative Recommendation
تقترح هذه الورقة البحثية "الترميز الزمني المنفصل" (DTE)، وهو إطار عمل خفيف الوزن للتوصية التوليدية يعمل على تحسين الأساليب الحالية من خلال فصل الديناميكيات الزمنية عن ترتيب العناصر عبر وحدتين متكاملتين: وحدة زمنية كبرى مخصصة للأنماط الزمنية الواسعة، ووحدة تسلسلية دقيقة ذات بوابة زمنية للتفاعلات المحلية الكثيفة.
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
في العالم الرقمي، تعمل أنظمة التوصية كمنسقين هادئين لحياتنا اليومية، حيث تقترح ما يجب مشاهدته، أو شراؤه، أو تناوله لاحقًا. لسنوات طويلة، اعتمدت هذه الأنظمة على نوع قوي من الذكاء الاصطناعي يُعرف باسم "المحول" (Transformer)، والذي يتفوق في فهم التسلسلات. تخيل تاريخ المستخدم كقصة: يقرأ النظام فصول العناصر التي تفاعل معها الشخص ليخمن الفصل التالي. ولفهم قصة ما، يحتاج الذكاء الاصطناعي إلى معرفة ليس فقط ماذا حدث، بل متى وبأي ترتيب. لقد استُعيرت الأساليب القياسية لتعليم الذكاء الاصطناعي هذا الإحساس بالترتيب من النماذج اللغوية، حيث تُعامل كل عنصر في القائمة كخطوة بسيطة في تسلسل، تمامًا مثل الكلمات في الجملة. ومع ذلك، فإن السلوك البشري في العالم الحقيقي أكثر تعقيدًا من مجرد قائمة بسيطة؛ فهو يتشكل بفعل الساعة، والتقويم، وإيقاع الحياة اليومية. فجوع الشخص عند وقت الغداء، أو عادات التسوق الخاصة به في عطلة نهاية الأسبوع، أو رد فعله تجاه تخفيضات مفاجئة، كلها أنماط زمنية غالبًا ما تكافح الأساليب القياسية لالتقاطها جنبًا إلى جنب مع الترتيب البسيط للأحداث.
حدد الباحثون في شبكة "راجاكس" (Rajax) التابعة لشركة علي بابا، أثناء عملهم ضمن البيئة عالية الضغط لخدمات توصيل الطعام والتجزئة الفورية في تطبيق "تاوباو" (Taobao)، فجوة في كيفية فهم هذه الأنظمة للوقت. فقد لاحظوا أن سلوك المستخدم مدفوع بقوتين متمايزتين غالبًا ما تتداخلان معًا. إحدى هاتين القوتين هي السياق الزمني الواسع والشامل: حقيقة أن اليوم هو الثلاثاء، أو أنه قريب من وقت الغداء، أو أن متجرًا معينًا يشهد طفرة مفاجئة في حركة المرور. والقوة الأخرى هي التسلسل المباشر والوثيق للأفعال: حقيقة أن المستخدم نقر على محل معكرونة، ثم مشروب، ثم حلوى في غضون دقائق معدودة. حاولت الأنظمة الحالية تغذية كلا الإشارتين في الذكاء الاصطناعي عبر قناة موحدة واحدة، تمامًا مثل محاولة وصف عاصفة عن طريق قياس سرعة الرياح فقط وتجاهل المطر. جعل هذا النهج من الصعب على النموذج التمييز بين المزاج العام لليوم وبين الخيارات السريعة والمحددة التي يتخذها المستخدم في اللحظة ذاتها.
ولحل هذه المشكلة، طور الفريق إطار عمل جديدًا يسمى "الترميز الزمني المنفصل" (Decoupled Temporal Encoding). فبدلاً من إجبار الذكاء الاصطناعي على تعلم الوقت والترتيب من المصدر نفسه، قاموا ببناء وحدتين منفصلتين وخفيفتين تعملان في تناغم. تركز الوحدة الأولى، والتي يسمونها "المُرمز الزمني الكلي" (macro-temporal encoder)، على الصورة الكبيرة؛ فهي تضخ إشارات مدمجة في النظام لتخبر الذكلة الاصطناعي عن وقت اليوم، ويوم الأسبوع، والوقت الذي مضى منذ آخر تفاعل. وهذا يسمح للنموذج بفهم أن طلب المستخدم للعشاء في الساعة 7 مساءً يوم الجمعة يختلف في الحالة الذهنية عن طلب نفس المستخدم للغداء في الساعة 12 ظهرًا يوم الاثنين. أما الوحدة الثانية، "المُرمز التسلسلي الدقيق" (micro-sequential encoder)، فهي تتعامل مع التفاصيل الدقيقة؛ إذ تعمل كحارس بوابة، حيث تتدخل فقط للتأكيد على الترتيب الصارم للأحداث عندما تحدث التفاعات بسرعة كبيرة تجعل الطوابع الزمنية ضبابية. إذا نقر مستخدم على عدة عناصر بتتابع سريع، تضمن هذه الوحدة أن ينتبه الذكاء الاصطناعي إلى التسلسل الدقيق لتلك النقرات، بدلاً من مجرد حقيقة أنها حدثت في وقت قريب من بعضها البعض.
اختبر الباحثون هذا النهج على مجموعة بيانات ضخمة تحتوي على مليارات التفاعلات من تطبيق "تاوباو"، وكذلك على معيار عام لتوصيات الفيديو. وأظهرت النتائج أن فصل هذين النوعين من المعلومات الزمنية حسن بشكل كبير قدرة النظام على التنبؤ بما يريده المستخدم لاحقًا. وفي الاختبارات غير المتصلة بالإنترنت (offline)، تفوق الأسلوب الجديد على جميع النماذج الرائدة السابقة، محققًا دقة أعلى في التنبؤ بالنقرات وتقليل الأخطاء. والأهم من ذلك، وجد الفريق أن النظام يعمل بشكل أفضل عندما يكون لدى المستخدمين أنماط واضحة ومتكررة في سلوكهم، مثل طلبات الغداء المنتظمة، أو عندما تكون تفاعلاتهم كثيفة للغاية. وقد كشف تحليل أنماط الانتباه الداخلية للذكاء الاصطناعي أن النظام تعلم تعزيز هذه العادات الدورية دون فقدان تتبع التسلسل الفوري للأحداث.
جاء الاختبار الحقيقي لهذا البحث عندما نشر الفريق النظام في حركة المرور الحية لتطبيق "تاوباو". وفي تجربة صارمة استمرت ثلاثة أسابيع شملت ملايين المستخدمين الحقيقيين، حققت الطريقة الجديدة تحسينات تجارية ملموسة؛ فقد زادت نسبة النقر إلى الظهور بمقدار 1.8 بالمائة، وزادت الإيرادات لكل ألف ظهور بنسبة 3.0 بالمائة، وكل ذلك مع إضافة قدر ضئيل جدًا من التأخير لوقت استجابة النظام. ولأن المكاسب كانت ثابتة وظل النظام مستقرًا، قامت الشركة بتعميم التحديث ليشمل 100 بالمائة من حركة المرور لنظام توصية إعلانات "شانغو" (Shangou) في يناير 2026. يوضح هذا النشر أنه من خلال فك الارتباط بين السياق الزمني الواسع وترتيب الأفعال المحدد، يمكن لأنظمة التوصية أن تصبح أكثر توافقًا مع الطبيعة المعقدة والإيقاعية للحياة البشرية، مما يقدم اقتراحات تبدو ليست في وقتها فحسب، بل شخصية حقًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.