Beyond Observed Auxiliary Relations: Environment-Conditioned Modeling for Multi-Behavior Recommendation
تقترح الورقة البحثية إطار عمل BOAR، وهو إطار توصية متعدد السلوك مشروط بالبيئة يعالج بفعالية الإشارات المساعدة المفقودة وغير الموثوقة لتحسين التنبؤ بالسلوك المستهدف بشكل كبير، لا سيما بالنسبة للعناصر التي تفتقر إلى الملاحظات المساعدة.
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 اليوم، نادراً ما تكون عملية الشراء الواحدة هي الإشارة الوحيدة التي يرسلها المستخدم. فقبل شراء زوج من الأحذية أو كتاب جديد، قد ينقر الشخص على السلعة، أو يضيفها إلى عربة التسوق، أو يحفظها في قائمة الأمنيات. هذه الأفعال الصغيرة تشبه آثار الأقدام المتروكة في الرمال؛ فهي تلمح إلى رغبة لم تتحقق بالكامل بعد. لطالما حاولت أنظمة التوصية، وهي الخوارزميات التي تقترح ما قد نريده لاحقاً، استخدام آثار الأقدام هذه للتنبؤ بالوجهة النهائية: عملية الشراء. ومن خلال دراسة المسار الذي يسلكه المستخدم، من نظرة عابرة إلى إتمام عملية الدفع النهائية، تأمل هذه الأنظمة في فهم أذواقنا بشكل أفضل مما لو كانت تراقب فقط لحظة شرائنا للشيء. ومع ذلك، يواجه هذا النهج مشكلة جوهرية. فأحياناً، يشتري المستخدم شيئاً ما دون أن ينقر عليه أو يضيفه إلى العربة أولاً، مما يترك النظام أعمى تجاه ذلك التفضيل. وفي أحيان أخرى، ينقر المستخدم على عنصر ما بدافع الفضول أو عن طريق الخطأ، مما يخلق إشارة خاطئة توحي باهتمام غير موجود. وعندما تعتمد الخوارمازميات بشكل مفرط على هذه القرائن غير المكتملة، فإنها تواجه صعوبة في التوصية بالعناصر التي لم تُشاهد من قبل، أو ترتبك بسبب ضجيج النقرات العرضية.
لقد طور فريق من الباحثين طريقة جديدة للتنقل عبر هذه الإشارات المربكة، مقدمةً وسيلة للرؤية لما وراء التفاعلات الواضحة. وقد أطلقوا على نهجهم اسم BOAR، وهو نظام مصمم للتعامل مع العيبين الرئيسيين في كيفية استخدامنا لآثار الأقدام الرقمية هذه حالياً. العيب الأول هو أن النظام غالباً ما يفقد العناصر التي يريدها المستخدم بالفعل لأن تلك العناصر تفتقر إلى أي نقرات سابقة أو إضافات إلى العربة. أما العيب الثاني فهو أن النظام يسهل تضليله بواسطة النقرات التي لا تؤدي إلى عملية شراء، حيث يعامل التصفح العرضي كأنه رغبة قوية. وجد الباحثون أن محاولة إصلاح كلا المشكلتين باستراتيجية موحدة واحدة غالباً ما تفشل. بدلاً من ذلك، بنوا إطار عمل يغير استراتيجيته اعتماداً على الموقف، تماماً مثل دليل ماهر يعرف متى يدفع للأمام ومتى يتراجع خطوة إلى الوراء.
جوهر هذه الطريقة الجديدة هو الإدراك بأن البيانات المتاحة لأي عنصر ما تندرج تحت فئتين متميزتين. فبالنسبة لبعض العناصر، يوجد تاريخ غني من النقرات وإضافات عربة التسوق؛ وبالنسبة لعناصر أخرى، لا يوجد مثل هذا التاريخ على الإطلاق. أدرك الباحثون أن النموذج الذي يحاول التعلم من عناصر ليس لها تاريخ يحتاج إلى مجموعة مختلفة من الأدوات عن النموذج الذي يحاول التعلم من تاريخ صاخب ومزدحم. ولمعالجة ذلك، أنشأوا وحدتين متخصصتين تعملان معاً. الوحدة الأولى مخصصة للعناصر التي ليس لها تاريخ؛ فهي تعمل كالمحقق الذي يبحث عن الروابط الخفية، مستخدمةً تقنية لإيجاد العناصر التي قد يحبها المستخدم حتى لو لم يتفاعل معها من قبل. وهي تفعل ذلك من خلال البحث عن أنماط في سلوك المستخدم لا تتأثر بمدى شعبية العنصر، مما يضمن أن النظام لا يوصي فقط بالأشياء الشهيرة التي يراها الجميع. إنها تملأ الفجوات بفعالية، وتنشئ خريطة أكثر كثافة للاهتمامات المحتملة حيث كان هناك سابقاً مساحة فارغة.
أما الوحدة الثانية، فتتعامل مع العناصر التي لديها تاريخ من النقرات وإضافات عربة التسوق، ولكن حيث قد يكون هذا التاريخ غير موثوق. هنا، يعمل النظام كمرشح (فلتر). فهو يفحص بعناية الروابط بين المستخدم والعناصر التي نقر عليها، متسائلاً عما إذا كانت تلك النقرات تتماشى حقاً مع ما يشتريه المستخدم في النهاية. فإذا بدا أن النقرة كانت خطأً أو تصفحاً عابراً لا يؤدي إلى شراء، يتعلم النظام تجاهل تلك الإشارة. إنه يهذب الروابط غير الموثوقة، ويصفي الخريطة بحيث تظل فقط الإشارات التي تشير بصدق نحو عملية الشراء. وهذا يمنع الخوارزمية من التشتت بسبب ضجيج التفاعلات العرضية.
ولجعل هاتين الوحدتين تعملان معاً بسلاسة، يستخدم النظام قاعدة بسيطة ولكنها قوية. فعندما يحتاج إلى إجراء تنبؤ لمستخدم وعنصر معينين، يتحقق مما إذا كان لهذا العنصر أي تفاعلات مساعدة سابقة. فإذا لم يكن للعنصر تاريخ، يعتمد النظام بقوة على الوحدة الأولى للكشف عن التفضيلات الخفية. وإذا كان للعنصر تاريخ، فإنه يعتمد على الوحدة الثانية لتنقية الضجيج. هذا القرار ليس مفتاحاً جامداً، بل هو تعديل سلس، مما يسمح للنظام بدمج الرؤى من كلا النهجين بناءً على الأدلة المتاحة. والنتيجة هي محرك توصية أكثر قدرة على التكيف من الإصدارات السابقة.
اختبر الباحثون هذا النظام الجديد على بيانات من ثلاث منصات تجارة إلكترونية كبرى، شملت عشرات الآلاف من المستخدمين والملايين من التفاعلات. وأظهرت النتائج أن الطريقة الجديدة تفوقت باستمرار على أفضل الأنظمة الحالية. وفي الحالة العامة، حسنت دقة التوصيات بنسبة تقارب ثمانية بالمائة. ومع ذلك، ظهرت أكبر المكاسب في السيناريو الأكثر صعوبة: التوصية بالعناصر التي ليس لها نقرات سابقة أو إضافات إلى عربة التسوق. في هذه الحالات، حسنت المنظومة الجديدة الدقة بنسبة تصل إلى أربع وأربعين بالمائة. وهذا يشير إلى أن النظام ينجح في اكتشاف التفضيلات التي كانت غير مرئية للخوارزمية سابقاً. كما ثبت أنه فعال للغاية، حيث يعمل بسرعة تضاهي الطرق المتطورة الحالية، مما يعني إمكانية نشره في تطبيقات العالم الحقيقي دون إبطاء تجربة المستخدم.
تضمنت الدراسة أيضاً اختبارات جهد لمعرفة مدى قدرة النظام على التعامل مع الظروف القصوى. في أحد الاختبارات، قام الباحثون بإزالة تاريخ النقرات اصطناعياً للعناصر التي اشتراها المستخدمون في النهاية، لمحاكاة سيناريو يتعين فيه على النظام التخمين دون وجود أدلة. ظل النظام الجديد قوياً، حيث أظهر انخفاضاً طفيفاً فقط في الأداء، بينما عانت الطرق الأخرى بشكل كبير. وفي اختبار آخر، أضافوا نقرات وهمية وضوضائية للعناصر التي لم يشترها المستخدمون أبداً، لمحاكاة تدفق من الإشارات المضللة. ومرة أخرى، حافظ النظام الجديد على ثباته، حيث قام بتصفية الضجيج بفعالية حيث فشلت الأنظمة الأخرى. أكدت هذه الاختبارات أن النهج المكون من جزأين ليس مجرد تحسين نظري، بل هو حل عملي لفوضى سلوك المستخدم في العالم الحقيقي.
من خلال فصل المشكلة إلى تحديين متميزين وحل كل منهما باستراتيجية مخصصة، أظهر الباحثون أن أنظمة التوصية يمكن أن تكون أكثر من مجرد أدوات لمطابقة الأنماط. يمكنها أن تكون متعلمات متكيفة تفهم الفرق بين التفضيل الصامت والتشتت الضوضائي. يسلط هذا العمل الضوء على أن مستقبل التوصية لا يكمن في جمع المزيد من البيانات، بل في فهم جودة وسياق البيانات التي نمتلكها بالفعل. إنه يقدم مساراً للمستقبل نحو أنظمة يمكنها التوصية بالشيء الصحيح، حتى عندما لم يقل المستخدم كلمة واحدة عنه، وحتى عندما تكون الأشياء التي قالها مليئة بالتناقضات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.