MILCR: Mutual information and local consistency regularized flow matching for sequential recommendation

في العصر الرقمي، تترك حياتنا عبر الإنترنت أثراً من الخيارات: الكتب التي نشتريها، الفيديوهات التي نشاهدها، والمطاعم التي نزورها. بالنسبة للحواسيب، فإن فهم هذه الآثار هو مهمة مجال يسمى "التوصية التسلسلية". الهدف بسيط ولكنه صعب: النظر فيما فعله الشخص في الماضي وتخمين ما سيرغب في فعله لاحقاً. لسنوات، كانت أفضل الأدوات لهذه المهمة تشبه أمناء المكتبات الحريصين، الذين يمسحون تاريخ المستخدم للعثور على الأنماط واقتراح الخطوة المنطقية التالية. ومع ذلك، ظهر جيل جديد من الأدوات يحاول القيام بشيء أكثر إبداعاً؛ فبدلاً من مجرد العثور على الأنماط، تحاول هذه النماذج التوليدية بناء صورة لرغبات المستخدم المستقبلية من الصفر، بدءاً من العشوائية المحضة وتشكيلها ببطء لتصبح توصية محددة.

تخيل أنك تحاول رسم صورة شخصية (بورتريه) مثالية لصديق، لكنك مجبر على البدء بشاشة فارغة مليئة بالضجيج الساكن (الستاتيك). يجب عليك إزالة هذا الضجيج ببطء، خطوة بخضوة، حتى يظهر الوجه. هكذا تعمل الأنظمة التوليدية الحديثة. فهي تبدأ بضجيج عشوائي، ومن خلال سلسلة من الخطوات الرياضية، تحول تلك الفوضى إلى تنبؤ واضح. وبينما أظهر هذا النهج وعداً كبيراً، إلا أنه يواجه مشكلة محددة عند تطبيقه على الواقع الفوضوي للسلوك البشري. نظرًا لأن سجلات تفاعل البشر غالباً ما تكون قصيرة ومبعثرة، يمكن لهذه النماذج أن ترتبك؛ فقد تبدأ في الاعتماد بشكل مفرط على الضجيج العشوائي الذي بدأت به، بدلاً من التاريخ الفعلي للمستخدم، أو قد تدمج جميع المستخدمين المختلفين في متوسط واحد ضبابي، مما يفقد التوصية تفاصيلها الفريدة التي تجعلها مفيدة.

قام فريق من الباحثين في جامعة بكين للتكنولوجيا بتطوير طريقة جديدة لمعالجة هذه العيوب، أطلقوا على نظامهم اسم MILCR. يركز عملهم على تحسين كيفية تعلم هذه النماذج التوليدية من البيانات الشحيحة. حدد الباحثون أن المشكلة الرئيسية كانت مزدوجة: كانت النماذج تعاني في الحفاظ على تميز تفضيلات المستخدمين المختلفة، وكانت تسمح للضجيج العشوائي الأولي بالتأثير على الإجابة النهائية بشكل كبير. ولحل ذلك، قدموا عملية تدريب تعمل كنظام للتحقق المزدوج. أولاً، قاموا بإعداد النظام بقاعدة هيكلية، لضمان أن تكون اللبنات الأساسية للنموذج منظمة بالفعل قبل بدء التعلم المعقد. ثم، خلال مرحلة التدريب الرئيسية، استخدموا استراتيجية ذكية تتناوب بين مهمتين: إحدى المهمتين تعلم النموذج تجاهل الضجيج العشوائي، مما يجبره على الاعتماد حصرياً على تاريخ المستخدم الفعلي، والمهمة الأخرى تضمن أن المسار الذي يتخذه النموذج للوصول إلى تنبؤه يكون سلساً وثابتاً، مما يمنع النظام من التذبذب أو القفز بشكل عشوائي أثناء صياغة تخمينه.

اختبر الباحثون هذا النهج الجديد على خمس مجموعات بيانات مختلفة من الواقع، تتراوح من مراجعات الكتب عبر الإنترنت إلى تقييمات الأفلام. وقارنوا نظامهم بالعديد من النماذج القوية الأخرى، بما في ذلك تلك القائمة على تقنيات قديمة ومثبتة والتقنيات التوليدية الأحدث. أظهرت النتائج أن طريقتهم الجديدة تفوقت باستمرار على المنافسين. ففي مجموعة بيانات تتعلق بمشتريات الألعاب، على سبيل المثال، حسن النظام الجديد قدرته على التنبؤ بالعنصر التالي بأكثر من 17 بالمائة مقارنة بأفضل نموذج سابق. كما أثبت أنه أكثر موثوقية عند التعامل مع المستخدمين الذين لديهم تفاعلات قليلة جداً، وهو سيناريو غالباً ما تفشل فيه النماذج الأخرى. ومن خلال تحليل العمليات الداخلية للنظام، أكد الفريق أن طريقتهم نجحت في تقليل اعتماد النموذج على الضوضاء العشوائية والحفاظ على تميز ووضوح تمثيلات المستخدمين المختلفين، بدلاً من تركها تندمج معاً.

يكمن نجاح هذا العمل في قدرته على الموازنة بين الإبداع والانضباط. فالنهج التوليدي يسمح للنظام بتخيل إمكانيات جديدة، لكن عمليات التنظيم الجديدة تعمل كحواجز حماية، تضمن بقاء الخيال مرتبطاً بتاريخ المستخدم الحقيقي. وجد الباحثون أنه من خلال تقليل الارتباط بين الضجيج الأولي والنتيجة النهائية، تعلم النموذج الوثوق بأفعال المستخدم الماضية أكثر من البداية العشوائية. وبالمثل، من خلال فرض الاتساق بين خطوات عملية التنبؤ، ضمنوا أن النظام لن يضل طريقه في منتصف حساباته. سمحت هذه المجموعة من التقنيات للنموذج بالتعامل مع الطبيعة الشحيحة والفوضوية لبيانات العالم الحقيقي بشكل أفضل من ذي قبل.

في نهاية المطاف، يقدم هذا البحث مساراً أوضح لكيفية فهم الحواسيب للتفضيلات البشرية. إنه يثبت أنه بينما يمكن أن يكون البدء من العشوائية طريقة قوية لتوليد الأفكار، إلا أنه يتطلب قيوداً دقيقة ليكون مفيداً في العالم الحقيقي. النظام الجديد لا يخمن فحسب، بل يتعلم التمييز بين إشارة اهتمامات المستخدم الحقيقية وبين الضجيج الناتج عن العملية الرياضية المستخدمة لإيجادها. ومع استمرار ازدياد تعقيد وتنوع التفاعلات عبر الإنترنت، ستكون أدوات مثل هذه ضرورية لضمان بقاء التوصيات شخصية، دقيقة، ومفيدة حقاً، حتى عندما تكون البيانات المتاحة محدودة. ويشير هذا العمل إلى أن مستقبل أنظمة التوصية لا يكمن فقط في توليد المزيد من البيانات، بل في توليدها بذكاء أكبر، مع احترام عميق للقصص الفريدة وغير المكتملة غالباً للأشخاص الذين تخدمهم.