MACRDR: Enhancing Interest Discovery and Diversity in News Recommendation via Multi-Agent Reflection
تقترح هذه الورقة إطار عمل MACRDR، وهو إطار للتعاون والتفكير متعدد الوكلاء يعزز تنوع توصية الأخبار واكتشاف الاهتمامات من خلال إعادة صياغة العملية كآلية ديناميكية لمعايرة النوايا، حيث يعمل الوكلاء التنبؤي والتأملي بشكل تعاوني لضبط ملفات تعريف المستخدمين للتخفيف من حدة فقاعات الفلترة والتقاط التفضيلات المتطورة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تخيل أنك تسير في مكتبة ضخمة ولا متناهية، حيث تعيد الأرفف ترتيب نفسها في كل مرة تنظر فيها إلى كتاب. هذا هو عالم توصية الأخبار، وهو فرع من علوم الحاسوب صُمم لمساعدتنا في العثور على القصص المثيرة للاهتمام وسط بحر من المعلومات. لفترة طويلة، عملت هذه الأنظمة كأمناء مكتبات مفرطي الحماية، لا يقدمون لك إلا الكتب التي تشبه تماماً تلك التي قرأتها بالفعل. إذا كنت تحب الخيال العلمي، فستحصل على المزيد من الخيال العلمي؛ وإذا كنت تحب الطبخ، فستحصل على المزيد من الوصفات. وبينما يبدو هذا مريحاً، إلا أنه يخلق "فقاعة الفلتر" (filter bubble) — وهي غرفة دافئة ولكنها صغيرة جداً، حيث لا ترى فيها أي شيء جديد، ويصبح عالمك أصغر بدلاً من أن يتسع.
ولإصلاح ذلك، حاول العلماء استخدام حيلتين رئيسيتين. إحداهما هي إجبار أمين المكتبة على إلقاء كتاب عشوائي فقط لإضفاء بعض التنوع، لكن هذا الكتاب قد يكون مملاً أو غير ذي صلة. أما الحيلة الأخرى فهي محاولة تخمين ما قد يعجبك تالياً، لكن الحواسيب غالباً ما تتعثر في التخمين بناءً على ماضيك فقط، وتغفل عن حقيقة أنك قد تغير رأيك اليوم. السؤال الكبير الذي يطرحه الباحثون هو: كيف نبني نظاماً يعرف ما يعجبك الآن، ولكنه أيضاً يمتلك الشجاعة لعرض شيء لم تره من قبل، تحسباً لأن يصبح هو مفضلتك الجديدة؟
هنا يأتي دور MACRDR، وهي فكرة جديدة من باحثين في جامعة الاتصالات الصينية. لا تنظر إلى MACRDR كأمين مكتبة واحد، بل كفريق من خمسة وكلاء متخصصين يعملون معاً في غرفة تحكم عالية التقنية، مستخدمين عملية "انعكاس" لفهم ما تريده حقاً. بدلاً من مجرد النظر إلى تاريخك، يلعب هذا النظام لعبة "التنبؤ والتصحيح". أولاً، يقوم وكيل التنبؤ (وتحديداً وكيل الإجراء - Action Agent) بتخمين ما ستضغط عليه تالياً بناءً على ملفك الشخصي. بعد ذلك، يراقب وكيل الانعكاس (Reflector Agent) ما تضغط عليه بالفعل. وإذا كانت نقراتك الفعلية مختلفة عن التنبؤ، فإن وكيل الانعكاس لا يكتفي بهز كتفيه؛ بل يكتب "رقعة معرفية" (cognitive patch) — وهي ملاحظة صغيرة تقول: "مهلاً، المستخدم مهتم في الواقع بهذا الموضوع الجديد، وليس فقط بالأشياء القديمة!".
يستخدم هذا الفريق ذاكرة ملف شخصي ديناميكية تعمل مثل مذكرات ذات إصدارات محكومة. فبدلاً من مسح اهتماماتك القديمة، تحتفظ الذاكرة بخط زمني لكيفية تحول أذواقك، وتحفظ ملاحظات حول كل مرة تغير فيها عقلك. وعندما يحين وقت عرض الأخبار لك، يأخذ وكيل الإجراء قائمة المقالات ذات الصلة من محرك بحث قياسي ويستخدم هذه "الرقع المعرفية" لإعادة ترتيب الأوراق. فهو يبقي الأخبار الآمنة وذات الصلة في الأعلى، لكنه يتسلل بذكاء بتلك المواضيع الجديدة والمفاجئة في المواضع الأدنى، مما يمنحك فرصة لاكتشاف شيء لم تكن تعلم أنك ستحبه.
اختبر الباحثون هذا النظام على مجموعة بيانات ضخمة من نقرات الأخبار الحقيقية تسمى MIND. ووجدوا أن MACRDR نجح في كسر فقاعة الفلتر. وفي عمليات المحاكاة التي أجروها، لم يقم النظام بالتخمين عشوائياً؛ بل اكتشف بالفعل اهتمامات جديدة للمستخدمين في حوالي 26.43% من المرات (مقاسة بمعيار يسمى IDR@5)، وهي نسبة أعلى من أي طريقة أخرى قارنوها بها. كما تمكن من الحفاظ على دقة التوصيات، مما يعني أنك لا تزال تحصل على الأخبار التي تهتم بها، ولكن مع جرعة صحية من المفاجأة. تشير الدراسة إلى أنه من خلال معاملة التوصية كحوار ديناميكي بين المتنبئ والمنعكس، بدلاً من كونها قائمة ثابتة، يمكننا بناء خلاصات إخبارية تساعدنا على تنمية اهتماماتنا بدلاً من حبسنا في ماضينا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.