في العصر الرقمي، نُطالب باستمرار بالوثوق في نصائح الآخرين. فعندما تقترح خدمة بث فيلمًا أو يوصي موقع تسوق بمنتج ما، فإن ذلك يعتمد غالبًا على المنطق القائل بأن الأشخاص الذين أعجبوا بنفس الأشياء في الماضي سيعجبون بنفس الأشياء في المستقبل. هذا هو أساس أنظمة التوصية الحديثة. ومع ذلك، في العالم الحقيقي، نادرًا ما تكون علاقاتنا الاجتماعية مرآة مثالية لأذواقنا؛ فقد نكون أصدقاء مع شخص ما لأننا نشأنا معًا أو نعمل في المكتب نفسه، حتى لو كانت لدينا هوايات مختلفة تمامًا. وعندما تعامل خوارزمية حاسوبية كل صداقة كإشارة إلى اهتمام مشترك، فإنها تخاطر بأن تُضلل بسبب هذه الروابط الضعيفة أو غير ذات الصلة. وهذا الضجيج يمكن أن يربك النظام، مما يؤدي إلى اقتراح عناصر لن يستمتع بها المستخدم حقًا.

لقد طور باحثون في جامعة شاندونغ للتكنولوجيا نهجًا جديدًا لحل هذه المشكلة، بهدف جعل هذه التوصيات الرقمية أكثر ذكاءً عبر تعليم الكمبيوتر التمييز بين الاهتمام المشترك الحقيقي وبين مجرد اتصال اجتماعي. وقد أطلقوا على طريقتهم اسم RGDRec. وبدلاً من قبول كل رابط اجتماعي بشكل أعمى كدليل، يعمل النظام مثل محرر دقيق، حيث يقيم موثوقية كل علاقة قبل السماح لها بالتأثير على الاقتراح النهائي. ومن خلال تصفية الروابط غير الموثوقة ووزن الروابط المتبقية بناءً على مدى توافقها مع سلوك المستخدم الفعلي، وجد الباحثون أنهم استطاعوا تحسين دقة التوصيات بشكل كبير، حتى عندما كانت البيانات الاجتماعية فوضوية أو مليئة بالمشتتات.

إن التحدي الجوهري الذي واجهه الفريق هو أن الشبكات الاجتماعية في العالم الحقيقي غالبًا ما تكون صاخبة. ففي الرسم البياني الاجتماعي النموذجي، والذي هو ببساطة خريطة توضح من يتصل بمن، لا تعكس العديد من الروابط تشابهات حقيقية في الذوق. فقد يتابع المستخدم شخصية مشهورة يعجب بها ولكنه لا يشتري أبدًا المنتجات التي تروج لها تلك الشخصية، أو قد يكون متصلًا بصديق لا يشاركه أي اهتمامات مشتركة. وعندما تنشر خوارزميات التوصية القياسية المعلومات عبر هذه الشبكات، فإنها تعامل كل اتصال على أنه متساوٍ في الأهمية. وهذا يعني أن رابطًا صاخبًا أو ضعيفًا يمكن أن يخفف من قوة إشارة قوية وذات صلة، مما يؤدي بالنظام إلى تقديم تخمينات سيئة حول ما يريده المستخدم. وأدرك الباحثون أنه لإصلاح ذلك، كانوا بحاجة إلى طريقة لقياس مدى موثوقية كل رابط اجتماعي قبل استخدامه للتعرف على تفضيلات المستخدم.

ولمعالجة ذلك، صمم الفريق عملية من خطوتين تعمل كمرشح للمعلومات الاجتماعية. أولاً، ينظر النظام إلى البيانات الخام لتكوين تخمين أولي حول مدى موثوقية صداقة معينة. ويقوم بذلك من خلال التحقق من أمرين: مدى تفاعل الشخصين فعليًا مع نفس المنتجات أو المحتويات في الماضي، ومدى مركزية الصديق داخل الشبكة الاجتماعية الأوسع. فإذا اشترى صديقان العديد من الكتب نفسها أو زارا المطاعم نفسها، فإن النظام يحدد اتصالهما على أنه عالي الموثوقية. أما إذا لم يكن لديهما تاريخ مشترك، فيتم وضع علامة على الاتصال باعتباره ضعيفًا محتملاً. هذا التقييم الأولي ليس قرارًا نهائيًا، بل هو درجة احتمالية تحدد مدى احتمالية استخدام النظام لتلك الصداقة المحددة لنقل المعلومات.

بمجرد أن يحصل النظام على درجات الموثوقية هذه، فإنه لا يقوم ببساطة بحذف الروابط الضعيفة، بل يستخدم عملية اختيار ديناميكية. فخلال مرحلة التعلم، يقرر النظام عشوائيًا ما إذا كان سيضمن اتصالًا اجتماعيًا معينًا في حساباته، لكنه يتخذ هذا القرار بناءً على درجة الموثوقية. فالروابط عالية الموثوقية تُدرج دائمًا تقريبًا، بينما يتم تخطي الروابط منخفضة الموثوقية بشكل متكرر. يحدث هذا بشكل متكرر أثناء تعلم النظام، مما يسمح له باستكشاف تركيبات مختلفة من البيانات الاجتماعية دون التخلص من أي معلومة بشكل دائم. يضمن هذا النهج عدم بقاء النظام عالقًا في رؤية واحدة قد تكون معيبة للشبكة الاجتماعية، بل يمكنه التركيز بشكل تكيفي على الاتصالات الأكثر فائدة.

تتضمن الخطوة الثانية ضبط تأثير الاتصالات التي يتم اختيارها. فحتى بين الأصدقاء الموثوقين، قد يكون بعضهم أكثر صلة بمهمة توصية معينة من غيرهم. يستخدم النظام آلية قابلة للتعلم لضبط وزن كل اتصال، وهو ما يعني تحديد مقدار الانتباه الذي يجب إعطاؤه لكل جار. وهذا يسم يسمح للنموذج بتضخيم أصوات الأصدقاء الذين يشاركون المستخدم اهتماماته حقًا، وتخفيف تأثير أولئك المرتبطين به بشكل فضفاض فقط. ومن خلال الجمع بين هذا الترشيح الانتقائي والضبط الدقيق للتأثير، يبني النظام صورة أنقى بكثير لتفضيلات المستخدم، خالية من الضجيج الساكن الذي غالبًا ما يعيب نماذج التوصية الاجتماعية.

ولضمان أن هذا الترشيح الاجتماعي يساعد بالفعل في التوصية النهائية، أضاف الباحثون خطوة تعلم تبايني عبر المجالات. وهذه طريقة لتدريب النظام للتأكد من أن المعلومات الاجتماعية التي يجمعها تتماشى مع سجل الشراء أو المشاهدة الفعلي للمستخدم. يقارن النظام بين تمثيل المستخدم المستمد من شبكته الاجتماعية والتمثيل المستمد من تفاعلاته المباشرة مع العناصر. وهو يشجع هذين المنظورين على أن يكونا متسقين إذا كانا ينتميان لنفس الشخص، بينما يدفع بهما بعيدًا عن بعضهما إذا كانا ينتميان لأشخاص مختلفين. يعمل هذا كفحص، لضمان أن المعلومات الاجتماعية المستخدمة مفيدة حقًا للتنبؤ بالتفضيلات وليست مجرد ثرثرة اجتماعية عشوائية. ومن الأهمية بمكان أن التوصية النهائية لا تزال تتم بناءً على تاريخ التفاعل المباشر للمستخدم، حيث تعمل البيانات الاجتماعية فقط كدليل داعم خلال عملية التدريب. هذا التصميم يمنع أي ضجيج متبقٍ من الشبكة الاجتماعية من إفساد القائمة النهائية من الاقتراحات مباشرة.

اختبر الفريق طريقتهم على ثلاث مجموعات بيانات ضخمة من الواقع تحتوي على معلومات عن مستخدمين على منصات مثل Yelp وDouban وCiao. تضمنت هذه المجموعات ملايين التفاعلات والروابط الاجتماعية، مما وفر بيئة صارمة لاختبار قدرة النظام على التعامل مع الضجيج. وأظهرت النتائج أن طريقتهم، RGDRec، تفوقت باستمرار على النماذج الحالية المتطورة. فقد حققت دقة أعلى في التنبؤ بالعناصر التي قد تعجب المستخدمين، مقاسة بمعايير قياسية مثل عدد العناصر ذات الصلة التي ظهرت في أفضل عشرة أو عشرين اقتراحًا. وكان التحسن ملحوظًا عبر جميع مجموعات البيانات الثلاث، مما يشير إلى أن النهج قوي وفعال بغض النظر عن نوع البيانات أو كثافة الشبكة الاجتماعية.

ولإثبات أن طريقتهم كانت تقوم بالفعل بتصفية الضجيج وليس مجرد النجاح بالصدفة، أجرى الباحثون اختبار جهد. فقد قاموا بحقن عدد كبير من الاتصالات الاجتماعية الوهمية والعشوائية في مجموعات البيانات، لمحاكاة سيناريو تكون فيه الشبكة الاجتماعية تالفة بشدة. وحتى عندما كان عدد الاتصالات الوهمية ضعف عدد الاتصالات الحقيقية، حافظ النظام على أدائه. وأظهر التحليل أن النظام خص بذكاء أوزانًا منخفضة جدًا لهذه الاتصالات الوهمية والمحقونة، متجاهلًا إياها بفعالية مع الاستمرار في إعطاء أهمية عالية للروابط الحقيقية والموثوقة. أثبت هذا أن آلية التوجيه بالموثوقية نجحت في تحديد وتثبيط الضجيج، مما حافظ على استقرار جودة التوصية حتى في ظل الظروف القصوى.

وكشف تحليل إضافي أن نجاح النظام جاء من الجمع بين مكونيه الرئيسيين. فقد أدى إزالة ترشيح الموثوقية إلى انخفاض الأداء، مما أكد أن مجرد استخدام البيانات الاجتماعية دون التحقق من جودتها ليس كافيًا. وبالمثل، أدى حذف خطوة التعلم التبايني عبر المجالات أيضًا إلى تضرر الأداء، مما يوضح أن مواءمة البيانات الاجتماعية مع سلوك المستخدم الفعلي أمر ضروري. وتشير الدراسة إلى أن الطريقة الأكثر فعالية لاستخدام المعلومات الاجتماعية ليست معاملتها كخريطة ثابتة للحقيقة، بل كمجموعة ديناميكية من الأدلة التي يجب تقييمها ووزنها باستمرار بناءً على مدى توافقها مع أفعال المستخدم في العالم الحقيقي.

يقر الباحثون بأن طريقتهم الحالية تعتمد على بيانات ثابتة، مثل التفاعلات الماضية وهيكل الشبكة، وقد لا تستوعب تمامًا تعقيد العلاقات التي تتغير بمرور الوقت أو تعتمد على سياقات محددة. كما أشاروا إلى أن محاكاة الضجيج الخاصة بهم، رغم فعاليتها، هي أبسط من الواقع الفوضوي للشبكات الاجتماعية حيث قد تظل بعض الاتصالات السيئة ذات تأثير دقيق. ومع ذلك، فإن هذا العمل يوفر أساسًا قويًا للأنظمة المستقبلية التي يمكنها التنقل بشكل أفضل في الفجوة بين من نتصل بهم وبين ما نحبه حقًا. ومن خلال تعليم الخوارزميات أن تكون متشككة في الروابط الاجتماعية وأن تعطي الأولوية لأدلة الاهتمام المشترك، يقدم هذا البحث مسارًا أوضح نحو توصيات تبدو مفيدة حقًا بدلاً من كونها مجرد احتمالات إحصائية.