Tca4rec: contrastive learning with popularity-aware asymmetric augmentation for robust sequential recommendation

تتناول هذه الدراسة المنشورة في مجلة البيانات الضخمة أنظمة التوصية التسلسلية التي تؤدي دورًا محوريًا في سيناريوهات التوصية الحديثة، إذ تلتقط اهتمامات المستخدمين المتغيرة عبر الزمن من خلال تفاعلاتهم السابقة مع العناصر، غير أن الأساليب القائمة التي تعتمد غالبًا على نماذج عميقة متطورة لتحسين جودة التوصية تعاني تدهورًا في الأداء بسبب ندرة إشارات الإشراف في بيانات التدريب، وبسبب انحياز الشعبية الذي يجعل العناصر الشائعة تطغى على ما سواها، ومن هنا تقترح الدراسة إطارًا جديدًا أطلق عليه الباحثون اسم تي سي إيه فور ريك لمعالجة هذين التحديين عبر مقاربة تعلم تبايني على مرحلتين

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى بناء إطار توصية تسلسلي قوي يعالج ندرة إشارات الإشراف وانحياز الشعبية في بيانات التدريب، وتضمن الإطار وحدة ذاكرة إضافية تجمع تضمينات التسلسلات بما يوفر تمثيلات مرنة ومعممة لتفضيلات المستخدمين، واشتق الباحثون دالة فقد جديدة أطلقوا عليها تقدير التباين الضوضائي غير المتماثل متعدد الأمثلة، لتوفير إشارات تدريب غنية وواعية بالانحياز، واعتمدوا استراتيجية تدريب على مرحلتين تحد بدرجة كبيرة من هيمنة العناصر الشائعة أثناء عملية التحسين، وللتحقق من فاعلية الإطار أجرت الدراسة تجارب موسعة على ثلاث مجموعات بيانات واقعية، وقارنت أداءه بأحدث الأساليب القائمة في دقة التوصية ومتانتها تجاه البيانات المتناثرة والمشوشة

وتكمن صعوبة المشكلة التي تعالجها الدراسة في أن تفاعلات المستخدمين مع العناصر قليلة بطبيعتها مقارنة بحجم الكتالوجات الضخمة في المنصات الحديثة، فتبقى معظم التفضيلات غير مرصودة، بينما تتضخم في المقابل بيانات العناصر الشائعة التي يقبل عليها الجميع، فينحاز النموذج المدرب إلى ترشيحها مرارًا وتهميش العناصر الأقل شهرة التي قد تلائم ذوق المستخدم بدقة أكبر، وقد صمم الإطار المقترح لمعالجة الجانبين معًا عبر التعلم التبايني الذي يولد إشارات تدريب إضافية من البيانات ذاتها

ثانيًا: أبرز النتائج

أظهرت النتائج التجريبية أن الإطار المقترح حقق تحسينات دالة على أحدث الأساليب المقارنة، سواء في دقة التوصية أو في المتانة تجاه البيانات المتناثرة والمشوشة، فعلى مجموعة بيانات أمازون الرياضية بلغت مكاسب الأداء النسبية 19.26 في المئة في مقياس معدل الإصابة عند أول خمس توصيات، و17.97 في المئة في مقياس الكسب التراكمي المخفض المعياري عند أول خمس توصيات، وتشير هذه المكاسب إلى أن الجمع بين وحدة الذاكرة والتعلم التبايني ثنائي المراحل ودالة الفقد الواعية بالانحياز يخفف فعلًا من طغيان العناصر الشائعة ويرفع قدرة النموذج على التقاط التفضيلات الحقيقية للمستخدمين حتى مع شح إشارات الإشراف

وقد شملت التجارب ثلاث مجموعات بيانات واقعية متباينة الخصائص، بما يعزز الثقة في تعميم تفوق الإطار المقترح وعدم ارتباطه ببيانات بعينها، وبرزت ميزته بوضوح في مؤشرات الدقة عند أول خمس توصيات، وهي المؤشرات الأهم عمليًا لأن المستخدمين نادرًا ما يتجاوزون الترشيحات الأولى المعروضة عليهم، كما صمد أداؤه أمام البيانات المتناثرة والمشوشة التي تمثل الحالة الطبيعية في المنصات الفعلية، إذ تتداخل التفاعلات العرضية والمصادفة مع التفاعلات المعبرة عن تفضيلات حقيقية مستقرة

ثالثًا: دلالات الدراسة وتطبيقاتها

تنطوي الدراسة على دلالات تطبيقية لمنصات التجارة الإلكترونية وخدمات المحتوى التي تعتمد أنظمة التوصية التسلسلية، إذ يعرض الإطار المقترح مسارًا عمليًا لتحسين عدالة التوصيات وجودتها في البيئات التي تهيمن عليها العناصر الشائعة وتندر فيها التفاعلات الموثوقة، كما تفيد الباحثين في مجال أنظمة التوصية بمنهجية قابلة لإعادة الاستخدام في معالجة انحياز الشعبية وندرة الإشراف، وقد أتاح الباحثون الشفرة البرمجية للإطار للباحثين بما يدعم إعادة إنتاج النتائج وتطويرها في دراسات لاحقة

كما تنطوي الدراسة على أهمية منهجية لتطوير أبحاث التعلم التبايني في أنظمة التوصية، إذ تقدم صياغة جديدة لدالة الفقد تراعي انحياز الشعبية بدل افتراض تجانس إشارات التدريب، وهو توجه يمكن نقله إلى نماذج توصية أخرى تعاني المشكلة ذاتها، وتفتح النتائج الباب أمام اختبار الإطار في مجالات توصية أخرى كالمحتوى التعليمي والأخبار والمنتجات الثقافية التي تشتد فيها حدة انحياز الشعبية وندرة التفاعلات الموثوقة

وخلاصة القول إن هذه الدراسة قدمت إطار توصية تسلسلي مبتكرًا يعالج تحديات ندرة الإشراف وانحياز الشعبية عبر تعلم تبايني على مرحلتين ودالة فقد واعية بالانحياز، وأثبتت التجارب تفوقه الدال على الأساليب الحديثة في الدقة والمتانة، بما يجعله إضافة نوعية إلى بحوث أنظمة التوصية الذكية