LLM-GRec: Large Language Model Enhanced Graph Recommendation via Granular-Ball Computing

في العصر الرقمي، نحن محاطون بمعلومات أكثر مما يمكن لأي عقل بشري استيعابه. وللتنقل وسط هذا الطوفان، نعتمد على أنظمة التوصية الشخصية، وهي المحركات الخفية التي تقترح ما يجب مشاهدته من أفلام، أو الكتب التي يجب قراءتها، أو المنتجات التي ينبغي شراؤها. لسنوات، عملت هذه الأنظمة من خلال البحث عن أنماط في سلوكنا الماضي، حيث تسأل جوهرياً: "إذا أعجبك هذا، فقد يعجبك ذاك". إنها أنظمة قوية، لكنها غالباً ما تعاني عندما تكون البيانات شحيحة أو عندما لا تستطيع فهم المعنى العميق وراء خيارات المستخدم. ومؤخراً، دخلت أداة جديدة إلى المشهد: النماذج اللغوية الكبيرة. هذه هي نفس أنظمة الذكاء الاصطناعي المتقدمة القادرة على كتابة القصص والإجابة على الأسئلة المعقدة. وقد بدأ الباحثون في محاولة استخدامها لفهم "السبب" وراء تفضيلاتنا، آملين في الانتقال من مجرد الأنماط البسيطة إلى الفهم الحقيقي للاهتمامات البشرية. ومع ذلك، فإن هذا النهج الجديد يجلب معه مجموعة من المشكلات، ويرجع ذلك أساساً إلى أن الاهتمامات التي تولدها هذه الأنظمة قد تكون فوضوية، ومتكررة، وأحياناً خاطئة ببساطة.

قام فريق من الباحثين في جامعة تشونغتشينغ للتكنولوجيا بتطوير طريقة جديدة لحل هذه المشكلة تحديداً، حيث ابتكروا نظاماً أطلقوا عليه اسم LLM-GRec. كان هدفهم هو تسخير الفهم العميق للنماذج اللغوية الكبيرة دون السماح للضجيج والأخطاء التي تنتجها بإفساد عملية التوصية. وجد الباحثون أنه عندما تصف هذه النماذج الذكية اهتمامات المستخدم بناءً على تاريخه، فإن المخرجات غالباً ما تبدو كقائمة مبعثرة من الكلمات والعبارات غير المترابطة. بعض هذه العبارات تكون مكررة، حيث تقول الشيء نفسه بطرق مختلفة، بينما البعض الآخر عبارة عن "هلوسات" — أي اهتمامات مختلقة لم يمتلكها المستخدم في الواقع. وإذا حاول نظام التوصية استخدام هذه القائمة الفوضوية مباشرة، فإنه يصاب بالارتباك ويصبح أقل دقة، خاصة عندما تكون البيانات قليلة جداً.

ولإصلاح ذلك، قدم الباحثون تقنية تسمى "الحوسبة الحبيبية" (granular-ball computing). تخيل أنك تحاول تنظيم كومة فوضوية من الرمال السائبة إلى بضع أكوام صلبة ومستقرة. استخدم الباحثون هذا المفهوم لأخذ عبارات الاهتمامات الدقيقة والمبعثرة التي ولدها النموذج اللغوي وتجميعها معاً. لقد قاموا بتجميع الأفكار المتشابهة في "مرتكزات" أكبر وأكثر استقراراً. وبدلاً من التعامل مع كل كلمة مفتاحية كقطعة منفصلة وهشة من المعلومات، يقوم النظام بتجميعها في فئات متينة. هذه العملية تعمل على تصفية التكرار والضجيج، تاركة وراءها خريطة واضحة ومنظمة لما يهتم به المستخدم حقاً. إنها تحول قائمة مشوشة من الكلمات المفتاحية إلى مجموعة موثوقة من الاهتمامات التي يمكن للنظام الوثوق بها.

بمجرد إنشاء هذه المرتكزات المستقرة للاهتمامات، بنى الباحثون خريطة موحدة تربط بين المستخدمين، والعناصر، ومجموعات الاهتمامات الجديدة هذه. وقد استخدموا نوعاً من الذكاء الاصطناعي يُعرف باسم "الشبكة العصبية الرسومية" للتعلم من هذه الخريطة. هذه الشبكة لا تنظر فقط إلى من اشترى ماذا؛ بل تنظر أيضاً إلى المعنى الدلالي للعناصر وكيفية ارتباطها باهتمامات المستخدم المنظمة حديثاً. ولضمان بقاء النظام دقيقاً، أضافوا فحصاً للجودة. يقوم النظام تلقائياً بتحديد مرتكزات الاهتمامات الضعيفة أو غير المدعومة جيداً بالبيانات ويقوم بإخفائها مؤقتاً أثناء عملية التعلم. ومن خلال إجبار النظام على إعادة بناء معنى هذه الاهتمامات المخفية من السياق المحيط بها، يتعلم النموذج تجاهل البيانات السيئة والتركيز على الإشارات الموثوقة. يعمل هذا بمثابة مرشح (فلتر)، يمنع النظام من أن يُضلل بسبب الأخطاء العرضية التي قد يرتكبها النموذج اللغوي.

اختبر الفريق إطار عملهم الجديد على ثلاث مجموعات بيانات حقيقية تتضمن كتباً وأفلاماً، تتراوح من مجموعات صغيرة إلى مكتبات ضخمة من البيانات. وأظهرت النتائج أن طريقتهم تفوقت باستمرار على تقنيات التوصية الموجودة. كان النظام فعالاً بشكل خاص في الحالات التي تكون فيها البيانات شحيحة، أي عندما تكون هناك سجلات قليلة جداً لما فضله المستخدم سابقاً. في هذه السيناريوهات الصعبة، حيث تفشل الأنظمة الأخرى غالباً في تقديم اقتراحات جيدة، حافظ LLM-GRec على دقة عالية. كما وجد الباحثون أن النظام يتميز بالمتانة؛ فحتى عندما أدخلوا الضجيج عمداً في البيانات لمحاكاة الأخطاء، صمدت الطريقة بشكل أفضل من منافسيها. ومن خلال الجمع بين الفهم الدلالي العميق للنماذج اللغوية الكبيرة وطريقة منظمة ومقاومة للضجيج لتنظيم تلك المعلومات، نجح الباحثون في ابتكار وسيلة أكثر موثوقية لفهم ما يريده الناس، حتى عندما تكون البيانات غير مكتملة أو فوضوية.