Semantic-Retrieval-Reasoning Pipeline: A Hybrid Large Language Model Framework for Intent-Aware and Explainable Bundle Recommendation

ملخص تقني: خط معالجة الاسترجاع الدلالي والاستدلال (SRRP)

بيان المشكلة
تواجه أنظمة توصية الحزم (BRS) الحالية ثلاث تحديات رئيسية: نقص القابلية للتفسير، وحجم الحزم الجامد، وافتراض "النية الأحادية". غالبًا ما تعمل الطرق التقليدية، التي تتراوح من الخوارزميات القائمة على القيود (مثل Apriori وFP-Growth) إلى الشبكات العصبية الرسومية (GNNs مثل BGCN وBundleNet)، كـ "صناديق سوداء"، حيث تفشل في تقديم مبررات منطقية لتجميع العناصر. علاوة على ذلك، غالبًا ما تفترض هذه النماذج وجود نية واحدة للمستخدم لكل سلة تسوق، مما يؤدي إلى توصيات رتيبة. وبينما قدمت النهج التوليدية الحديثة باستخدام النماذج اللغوية الكبيرة (LLMs) قابلية للتفسير، إلا أنها تعاني من عدم الكفاءة الحسابية، والانفجار التوليفي، والميل إلى الهلوسة. وللتخفيف من هذه المشكلات، غالبًا ما تفرض النماذج التوليدية الحالية أحجام حزم ثابتة وصغيرة (مثلاً 2-3 عناصر)، وهو ما يفشل في استيعاب الطبيعة الديناميكية والمتنوعة لاحتياجات المستهلكين في العالم الحقيقي، لا سيما في حالات الشراء بالجملة أو متعدد النوايا.

المنهجية: خط معالجة الاسترجاع الدلالي والاستدلال (SRRP)
يقترح المؤلفون SRRP، وهو إطار هجين يدمج التلقين (Prompting) وتقنيات التضمين (Embedding) في خط معالجة ثلاثي المراحل لتوليد حزم مدركة للنية، وديناميكية، وقابلة للتفسير.

1. وحدة التجزئة الدلالية (SSU):

   • الوظيفة: تعمل كمرشح معرفي لتفكيك سلال التسوق الصاخبة ومتعددة النوايا إلى مجموعات نوايا متميزة.
   • الآلية: تستخدم نموذجًا لغويًا كبيرًا مع التعلم داخل السياق (ICL) والتلقين بلقطات قليلة (Few-shot prompting) لإجراء التجميع الدلالي. وبدلاً من معاملة السلة كمتجه واحد، تقوم وحدة SSU بتصنيف العناصر بناءً على مناسبات الاستخدام (مثل "الإفطار"، "الأدوات المكتبية").
   • الأساس النظري: تنص "نظرية تقليل التباين الدلالي" على أن تجميع العناصر حسب التقارب الوظيفي يقلل من التباين الدلالي داخل المجموعة، مما يقلل من حدود خطأ الاسترجاع مقارنة بمعالجة السلة بأكملها ككيان واحد.

2. وحدة الاسترجاع السياقي (CRU):

   • الوظيفة: تسترجع حزم المرشحين الواقعية من قاعدة بيانات تاريخية بناءً على مجموعات النوايا الناتجة عن وحدة SSU.
   • الآلية: تحول مجموعات النوايا إلى متجهات كثيفة عالية الأبعاد باستخدام (Sentence-Transformer مثل all-MiniLM-L6-v2). وتستعلم هذه المتجهات من قاعدة بيانات متجهة (ChromaDB) باستخدام تشابه جيب التمام (Cosine Similarity) للعثور على الحزم التاريخية ذات الصلة دلاليًا.
   • الأساس النظري: تثبت "نظرية حد الصلة الدلالية" أن الاسترجاع بالمتجهات الكثيفة يمكنه تحديد العناصر ذات الصلة دلاليًا حتى بدون وجود تداخل في الكلمات المفتاحية، متفوقة بذلك على طرق المطابقة التامة أو قواعد الارتباط التقليدية في معدل الاستدعاء.

3. وحدة التحقق من الاستدلال (RVU):

   • الوظيفة: تتحقق من صحة حزم المرشحين، وتعدل حجم الحزمة ديناميكيًا، وتولد تفسيرات لغوية طبيعية مقنعة وأسماء للحزم.
   • الآلية: تستخدم التلقين بسلسلة الأفكاء (CoT) لتقييم التكامل المنطقي للعناصر المرشحة مقابل سلة المستخدم الأصلية. وهي تعمل على تصفية الهلوسات، واستبعاد العناصر غير ذات الصلة، وبناء سرد تفسيري.
   • المواءمة مع العنصر البشري في الحلقة (HITL): لضمان المواءمة المعرفية ومنع الهلوسة، يتم التحقق من استدلال وحدة RVU مقابل الحقيقة الأرضية (Ground Truth) التي وضعها تسعة مدققين بشريين مستقلين. يستخدم النظام نهج "سلسلة الأفكار الديناميكية" (Dynamic CoT)، حيث يتم حقن أمثلة منسقة من هذا الإجماع البشري لمواءمة الاستدلال الآلي مع الإدراك البشري.
   • الأساس النظري: تجادل "نظرية مثالية حجم الحزمة الديناميكي" بأن التقليم المشروط بناءً على الصلة المنطقية يقلل من أخطاء الاشتمال مقارنة بأنظمة الحجم الثابت.

المساهمات الرئيسية

• إطار عمل هجين: تقديم SRRP، الذي يوحد الدقة التقنية (عبر الاسترجاع القائم على التضمين) والشفافية المعرفية (عبر استدلال LLM) في خط معالجة واحد.
• تفكيك تعدد النوايا: استخدام النماذج اللغوية الكبيرة كمرشح معرفي لتفكيك سلال المستخدمين الصاخبة ديناميكيًا إلى مجموعات متعددة النوايا، مما يلغي الاعتماد على الضبط اليدوي الصارم للميزات.
• حجم حزمة ديناميكي: وحدة تحقق من الاستدلال تكسر القيود الثابتة للنماذج التوليدية السابقة، مما يسمح لأحجام الحزم بالتكيف ديناميكيًا (تتراوح من 3 إلى 45 عنصرًا) بناءً على سياق المستخدم.
• القابلية للتفسير والمواءمة: دمج منهجية "العنصر البشري في الحلقة" للتحقق بدقة من تسمية الحزم وتفسيراتها، مما يضمن المواءمة مع الإجماع المعرفي البشري وتقليل الهلوسة.

النتائج التجريبية
تم التقييم باستخدام مجموعة بيانات Instacart 2017 باستخدام بروتوكول "ترك عنصر واحد خارجًا" (Leave-One-Out)، حيث تمت مقارنة SRRP بخمسة نماذج أساسية (Apriori، FP-Growth، BundleNet، BGCN، CrossCBR).

• الصلة والترتيب: أظهر SRRP أداءً فائقًا في التوصيات ضمن أفضل 20 عنصرًا. حققت استراتيجية الحجب العشوائي (RM) معدل إصابة قدره 0.1100 واستدعاء قدره 0.1298، بينما وصلت استراتيجية التقسيم التسلسلي (SS) إلى استدعاء قدره 0.1502 وMRR قدره 0.0683. تفوقت هذه المقاييس بشكل كبير على النماذج الرسومية المتطورة (على سبيل المثال، استدعاء CrossCBR بلغ 0.0942).
• التنوع: حافظ SRRP على تنوع عالٍ داخل القائمة (ILD > 0.53)، محققًا توازنًا مثاليًا بين الدقة والتنوع، بينما أظهرت النماذج الرسومية تنوعًا عاليًا ولكن بدقة أقل بكثير.
• الحجم الديناميكي: نجح النظام في توليد حزم بأحجام تتراوح بين 3 و5 عناصر لحوالي 79% من المستخدمين، مع استيعاب قوي لتوزيعات الذيل الطويل التي تصل إلى 45 عنصرًا للمشترين بالجملة. كما نجح في كبح التحيز نحو أزواج العناصر الثنائية الشائع في نماذج التعلم العميق.
• القابلية للتفسير والمواءمة: حققت النصوص التفسيرية المولدة درجة طلاقة G-Eval بلغت 4.79/5.0. وبلغت المواءمة الدلالية مع المدققين البشريين (مقاسة بتشابه جيب التمام) درجة إجمالية قدرها 0.5907 (باستخدام LLaMA-3)، مما يشير إلى مواءمة قوية مع الاستدلال المعرفي البشري فيما يتعلق بصحة الحزمة وتسميتها.

الأهمية والادعاءات
يزعم البحث أن SRRP يمثل تقدمًا كبيرًا في أنظمة توصية الحزم من خلال معالجة طبيعة "الصندوق الأسود" للنماذج السابقة وجمود الحجم الثابت. ومن خلال الاستفادة من النماذج اللغوية الكبيرة ليس فقط للتوليد ولكن أيضًا كمرشح معرفي للكشف عن النية والتحقق من الاستدلال، يقدم إطار العمل توصيات ليست دقيقة فحسب، بل شفافة وموثوقة أيضًا. ويؤكد المؤلفون أن النظام ينجح في سد الفجوة بين الاسترجاء الرياضي والفهم المنطقي البشري، مما يوفر مساعد تسوق عقلاني وموثوق. ومع ذلك، يقر المؤلفون بتواضع بوجود بعض القيود، مشيرين إلى أن النظام يعاني أحيانًا من "التبرير القسري" (المبالغة في تبرير مجموعات العناصر العشوائية) وأن هناك حاجة لعمل مستقبلي لتقليل زمن الاستدلال وضبط عتبات الرفض لتقليل النتائج الإيجابية الكاذبة.