Tlow: Flow-based Item Tokenizer for Recommendation

في المناظر الرقمية الشاسعة للحياة المعاصرة، من خلاصات وسائل التواصل الاجتماعي إلى المتاجر عبر الإنترنت، تعمل أنظمة التوصية كمرشدين غير مرئيين، تقترح ما قد نرغب في رؤيته أو شرائه لاحقاً. لعقود من الزمن، اعتمدت هذه الأنظمة على طريقة بسيطة ولكنها خرقاء: وهي تخصيص رقم عشوائي لا معنى له لكل عنصر، سواء كان أغنية أو كتاباً أو زوجاً من الأحذية. يتعلم الكمبيوتر التعرف على هذه الأرقام بناءً على كيفية تفاعل الناس معها، لكن هذا النهج يعيبه عيبان رئيسيان. أولاً، مع نمو عدد العناصر إلى الملايين أو المليارات، يصبح النظام متضخماً وبطيئاً، مما يتطلب كميات هائلة من الذاكرة لمجرد تخزين هذه الأرقام العشوائية. ثانياً، يواجه النظام صعوبة مع العناصر الجديدة؛ فإذا تم إصدار منتج للتو ولم يكن له تاريخ من النقرات أو عمليات الشراء، يعامله النظام كغريب، غير قادر على عرضه لأي شخص. ولحل هذه المشكلة، بدأ الباحثون في دراسة كيفية عمل النماذج اللغوية الكبيرة، التي تفهم الكلمات ليس من خلال أرقام عشوائية بل من خلال معناها. ومن خلال ترجمة العناصر إلى تسلسلات من "الرموز" (tokens) ذات المعنى — مثل الكلمات في الجملة — يمكن للأنظمة مشاركة المعرفة عبر جميع العناصر، مما يجعلها أكثر ذكاءً وسرعة، خاصة بالنسبة للوافدين الجدد.

لقد ذهب فريق من الباحثين من جامعة تسينغهوا وتنسنت (Tencent) بهذا الفكر إلى أبعد من ذلك باستخدام أداة جديدة تسمى "تلو" (Tlow). وبينما واجهت المحاولات السابقة لتحويل العناصر إلى رموز ذات معنى عقبات خاصة بها، والتي أدت غالباً إلى معالجة بطيئة أو تجمعات مربكة، يقدم "تلو" نهجاً جديداً يعتمد على مفهوم رياضي يُعرف باسم "التدفق" (flow). تخيل أنك تحاول تنظيم حشد فوضوي من الناس يقفون جميعاً في تجمع غير منتظم ومتعرج. إذا حاولت فرزهم في صفوف وأعمدة مرتبة، فستكون المهمة صعبة لأن مواقعهم متشابكة وغير منتظمة. يعمل "تلو" كقوة لطيفة وذكية تعيد تشكيل هذا الحشد بأكمله إلى دائرة مثالية ومنظمة حيث يكون الجميع متباعدين بانتظام ومستقلين عن جيرانهم. وفي عالم البيانات، يعني هذا أخذ الأوصاف الرياضية المعقدة والفوضوية للعناصر وتحويلها إلى تنسيق نظيف ومعياري حيث تقف كل قطعة من المعلومات بمفردها، حرة من الروابط المربكة مع القطع الأخرى.

بمجرد أن تصبح البيانات في هذه الحالة النظيفة والمنظمة، يمكن للباحثين تقسيمها بسهولة إلى أجزاء صغيرة ومتميزة، تماماً مثل فرز مجموعة من أوراق اللعب إلى مجموعات متناسقة. يتم تخصيص رمز محدد لكل جزء، مما يخلق تسلسلاً فريداً من الرموز لكل عنصر. ولأن البيانات تم تنعيمها أولاً إلى هذا الشكل المثالي، فإن هذه الرموز تلتقط الجوهر الحقيقي للعنصر بوضوح مذهل. على سبيل المثال، عند اختبار هذه الطريقة على مجموعة من ألبومات الموسيقى، غالباً ما كانت الطرق القديمة تخلط بين الأنواع الموسيقية، حيث تجمع ألبوم "هيفي ميتال" مع تسجيل "جاز" لمجرد أن بياناتهما الخام بدت متشابهة بطريقة فوضوية. ومع ذلك، حافظ "تلو" على تميز الأنواع، مما ضمن التعرف على ألبوم "البوب" كبوب، وألبوم "الجاز" كجاز. هذا الوضوح يسم يسمح لنظام التوصية بفهم اللبنات الأساسية لمعنى العنصر، بدلاً من مجرد حفظ معرفه العشوائي.

اختبر الباحثون هذه الطريقة عبر أربع فئات مختلفة من المنتجات على موقع أمازون، تتراوح من المعدات الرياضية إلى منتجات التجميل والموسيقى. وفي كل حالة، تفوق النظام الذي يستخدم "تلو" على أفضل الطرق الموجودة، بما في ذلك تلك التي تستخدم عمليات فك تشفير معقدة وخطوة بخوة. كان التحسن ملحوظاً، حيث أظهر النظام الجديد دقة أفضل في التنبؤ بما قد يريده المستخدم لاحقاً. والأهم من ذلك، أثبت النظام جدارته أيضاً في المواقف الأكثر صعوبة، مثل التوصية بالعناصر عبر فئات مختلفة أو عند التعامل مع الصور والنصوص معاً. في هذه السيناريوهات المعقدة، حيث تأتي البيانات من مصادر وأشكال مختلفة، سمحت قدرة "تلو" على إعادة تشكيل البيانات إلى معيار موحد بالعثور على روابط فاتتها الأنظمة الأخرى.

جاء الاختبار الحقيقي لهذه التكنولوجيا عندما تم نشرها على "وي شات" (WeChat)، أحد أكبر منصات التواصل الاجتماعي في العالم، لمساعدة المستخدمين على اكتشاف صور ومقالات جديدة. في تجربة حية شملت ملايين التفاعلات اليومية، تفوق النظام الذي يستخدم رموز "تلو" بشكل كبير على النظام التقليدي الذي يعتمد على المعرفات العشوائية. كانت النتائج مذهلة: فقد زاد النظام الجديد من معدل نقر المستخدمين على المحتوى الموصى به بأكثر من عشرة بالمائة بالنسبة للعناصر الجديدة. وهذا إنجاز حيوي لأن المحتوى الجديد، الذي ليس له تاريخ من تفاعل المستخدمين، هو عادة الأصعب بالنسبة للحواسيب لتوصيته. ومن خلال الاعتماد على المعنى المتأصل في المحتوى بدلاً من السلوك السابق، سمح "تلو" للمنصة بعرض صور جديدة وذات صلة للمستخدمين فور نشرها تقريباً. وجد الباحثون أن هذا النهج لم يساعد العناصر الجديدة على البروز فحسب، بل حسن أيضاً التجربة الإجمالية للمستخدمين، مما يثبت أن تحويل البيانات الفوضوية إلى شكل نظيف ومعياري هو وسيلة قوية لجعل الآلات تفهم العالم بشكل يشبه البشر أكثر.