← أحدث الأبحاث
🤖 AI

One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation

تُثبت هذه الورقة أن تمثيلاً هرمياً واحداً لـ "المعرف الدلالي" (Semantic ID) يتم تعلمه يمكنه توحيد مهام اكتشاف المنتجات والبحث بفعالية، وذلك من خلال تمكين تحسين التصنيف المخصص عبر إشارات سلوكية مجمعة، وتطوير إعادة صياغة الاستعلامات بشكل أكثر فاعلية عبر الملاحة القائمة على المفاهيم، مع الحفاظ في الوقت ذاته على السياقات الخاصة بكل مهمة.

المؤلفون الأصليون: Steven Xu, Sanjyot Thete, Saathvik Dirisala, Raghav Saboo, Nimesh Sinha, Leo Shao, Elyse Winer, Sudeep Das, Martin Wang, Kyle MacDonald

نُشر 2026-08-24
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Steven Xu, Sanjyot Thete, Saathvik Dirisala, Raghav Saboo, Nimesh Sinha, Leo Shao, Elyse Winer, Sudeep Das, Martin Wang, Kyle MacDonald

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 الأسواق الرقمية الشاسعة حيث نشتري المواد الغذائية والملابس والسلع المنزلية، غالبًا ما يرتدي المنتج الواحد وجوهًا عديدة مختلفة. فقد يُدرج نوع معين من الحليب من قبل متجر ما تحت اسم واحد، ومن قبل متجر آخر تحت رمز مختلف تمامًا، رغم أن الزجاجة الموجودة على الرف متطابقة. هذا التجزؤ يجعل من الصعب على الحواسيب أن تفهم أن العميل الذي يشتري نسخة من منتج ما، من المرجح أن يكون مهتمًا بالنسخة الأخرى. ولحل هذه المعضلة، حاول الباحثون منذ فترة طويلة تنظيم المنتجات في فئات، تمامًا كما تستخدم المكتبة نظام تصنيف. ومع ذلك، فإن هذه الفئات التي صنعها البشر غالبًا ما تكون واسعة جدًا بحيث لا تستطيع التقاط الاختلافات الدقيقة بين العناصر، بينما تكون البيانات الخام من كل متجر فوضوية للغاية لدرجة تمنع الربط بين النقاط. ويكمن التحدي في إيجاد طريقة لتعليم الكمبيوتر رؤية العلاقات بين المنتجات دون فقدان التفاصيل المحددة التي تهم المتسوق.

لقد وضع فريق من الباحثين في "DoorDash" نصب أعينهم حل هذه المشكلة من خلال ابتكار طريقة جديدة لتمثيل المنتجات، تعمل كلغة مشتركة لكل من توصية العناصر والمساعدة في بحث الناس عنهم. لقد طوروا نظامًا يحول معلومات المنتج إلى رمز فريد وقصير، يشبه بصمة الإصبع الرقمية. وعندما حللوا هذه الرموز، اكتشفوا أنها تشكل طبيعيًا تسلسلاً هرميًا، مثل مجموعة من الصناديق المتداخلة. فالطبقات الخارجية من الرمز تجمع المنتجات في فئات عريضة، بينما تغوص الطبقات الداخلية في تفاصيل أكثر دقة وتحديدًا. سمح هذا الهيكل للنظام بفهم أن منتجين مرتبطان لأنهما يتشاركان بداية الرموز الخاصة بهما، حتى لو كانت المتاجر التي تدرجهما تستخدم أسماءً مختلفة. اختبر الباحثون ما إذا كان هذا التسلسل الهرمي الواحد يمكنه تشغيل مهمتين مختلفتين تمامًا: تحديد المنتجات التي تُعرض للعميل في صفحة التصفح، واقتراح مصطلحات بحث أفضل عندما يكتب العميل استعلامًا.

طبق الباحثون أولاً هذا التسلسل الهرمي على مشكلة ترتيب المنتجات في صفحات الاكتشاف، حيث يتصفح المستخدمون قوائم مثل "شواء الصيف" أو "الجمال". في الماضي، كان النظام يعاني في تعلم تفضيلات العميل لأنه كان يعامل كل إدراج من متجر ما ككيان منفصل. فإذا اشترى مستخدم نوعًا معينًا من القهوة من متجر واحد، لم يكن النظام يعرف تلقائيًا أنه قد يحب نفس القهوة من متجر آخر. وباستخدام هذه الرموز الهرمية، استطاع النظام تجميع هذه العناصر المتشابهة معًا وتجميع تاريخ العميل عبر جميع هذه الإدراجات. سمح هذا لخوارزمية الترتيب بالتعرف على التفضيل لـ "مفهوم المنتج" بدلاً من مجرد إدراج واحد من متجر معين. وعندما اختبروا ذلك في العالم الحقيقي، أصبح النظام أفضل بشكل ملحوظ في التنبؤ بما سيرغب العميل في إضافته إلى عربة التسوق الخاصة به. وأظهرت النتائج زيادة ملحوية في التفاعل، حيث أضاف العملاء المزيد من العناصر إلى عربات تسوقهم، لا سيما في المواقع الأولى من قوائم التصفح. ولعل الأهم من ذلك، أن النظام بدأ يعرض تنوعًا أكبر من المنتجات، مما منح المنتجات الأقل شهرة فرصة عادلة للظهور بدلاً من مجرد تكرار نفس السلع الأكثر مبيعًا.

استُخدم الهيكل الهرمي نفسه لتحسين تجربة البحث، وتحديدًا الاقتراحات التي تظهر عندما يكتب المستخدم استعلامًا. تقليديًا، تقترح أنظمة البحث مصطلحات جديدة من خلال النظر فيما كتبه الأشخاص بعد ذلك في سجل بحثهم. وغالبًا ما يفشل هذا النهج لأنه يرتبك بسبب الأخطاء الإملائية، أو الاختصارات، أو حقيقة أن الكلمات نفسها يمكن أن تعني أشياء مختلفة في سياقات مختلفة. وبدلاً من ذلك، يقوم النظام الجديد بترجمة بحث المستخدم إلى مفاهيم المنتجات المحددة في الرموز الهرمية. ثم يبحث عن الانتقالات بين هذه المفاهيم بدلاً من الانتقالات بين الكلمات الخام. على سبيل المثال، إذا بحث مستخدم عن "حليب"، فإن النظام يفهم هذا كمفهوم منتج ويمكنه اقتراح الانتقال جانبًا إلى "حبوب الإفطار" أو تدقيق البحث إلى "حليب كامل الدسم"، اعتمادًا على ما نقر عليه المستخدم بالفعل في الماضي. أثبتت هذه الطة أنها أكثر دقة من النهج السابق. وفي الاختبارات، أنتج النظام الجديد اقتراحات كانت أكثر تميزًا وفائدة، مما ساعد المستخدمين على العثور على ما يبحثون عنه بشكل أسرع. وعند تطبيقه على مستخدمين حقيقيين، قلل النظام من عدد عمليات التمرير والنقرات المطلوبة للعثور على منتج، مما يعني أن المتسوقين وصلوا إلى عناصرهم المنشودة بجهد أقل.

توضح الدراسة أن تسلسلاً هرميًا واحدًا متعلمًا من رموز المنتجات يمكن أن يعمل كأساس قوي لكل من التوصية بالمنتجات وتحسين استعلامات البحث. ومن خلال الابتعاد عن الفئات الجامدة التي يصنعها البشر، واستخدام هيكل تعلمه الكمبيوتر مباشرة من البيانات، أنشأ الباحثون نظامًا يتسم بالمرونة والدقة في آن واحد. وتشير النتائج إلى أنه عندما تفهم الحواسيب العلاقات بين المنتجات على مستويات متعددة من التفاصيل، يمكنها خدمة الاحتياجات المحددة لكل متسوق بشكل أفضل. ولم تكن النتائج نظرية فحسب؛ بل تم قياسها في تجارب واقعية حيث تفوق النظام الجديد باستمرار على الأساليب القديمة، مما أدى إلى عملاء أكثر رضا وسوق أكثر كفاءة. يسلط هذا العمل الضوء على كيفية قدرة الفهم المشترك لهيكل المنتج على سد الفجوة بين الواقع الفوضوي لملايين الإدراجات المختلفة والتجربة الشخصية التي يتوقعها كل متسوق.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →