التعلّم الجماعي في أنظمة التوصية: نحو نمذجة جماعية تكيفية وغير صريحة

لماذا تهم المجموعات الأذكى على الإنترنت

من ليالي الأفلام مع الأصدقاء إلى عطلات العائلة، تُتخذ العديد من اختياراتنا في إطار مجموعات. ومع ذلك، لا تزال معظم المنصات الإلكترونية تفكر بمصطلح الأفراد. يطرح هذا البحث سؤالًا بسيطًا ذو تبعات كبيرة: ماذا لو تمكنت مواقع البث وتطبيقات التسوق وبوابات السفر من اكتشاف المجموعات الطبيعية من الأشخاص والعناصر والتكيّف معها بشكل تلقائي بدلاً من الاعتماد على قوائم مجموعات ثابتة ومُعدة يدويًا؟ يقدم المؤلفون طريقة جديدة لأنظمة التوصية لتعلّم مثل هذه المجموعات تلقائيًا، بهدف تقديم اقتراحات تبدو منصفة ومرضيّة لجميع الأطراف المعنية.

من الفرق الثابتة إلى الحشود المرنة

تبدأ أدوات التوصية الجماعية الحالية عادةً بفكرة جامدة عن من ينتمي مع من: دائرة أصدقاء محددة مسبقًا، فصل دراسي، أو تجمعات بُنيت مرة واحدة باستخدام أداة إحصائية. ثم تحاول النظام العثور على عنصر "جيد بما فيه الكفاية" لتلك المجموعة المجمدة. لكن الحياة الواقعية أكثر تباينًا. مجموعة الأشخاص التي تختار فيلمًا الليلة قد تختلف عن تلك التي تختار عطلة الشهر القادم، كما أن العناصر نفسها يمكن أن تُجمّع طبيعيًا إلى حزم مثل قوائم التشغيل أو باقات السفر. يجادل البحث بأنه بدل اعتبار تكوين المجموعات كخطوة منفصلة لمرة واحدة، ينبغي دمجه في جوهر طريقة تعلم النظام من البيانات.

خريطة خفية للأشخاص والأشياء

يقدّم المؤلفون نموذجًا يسمّونه نموذج التعلّم الجماعي الديناميكي العميق (DDGLM). في جوهره، يبني النظام خريطة خفية حيث يُمثل كل من الأشخاص والعناصر كنقاط في فضاء رياضي. بدلًا من تعيين كل شخص أو منتج إلى مجموعة ثابتة واحدة، يسمح النموذج أولًا بانتماءهم إلى عدة مجموعات "ناعمة" متداخلة بدرجات عضوية مختلفة. يتحكم عامل يُشبه درجة الحرارة في شدة هذه العضويات أثناء تقدم التعلم، بحيث بحلول الوقت الذي يُنشر فيه النظام عمليًا، يُصبح كل شخص أو عنصر موضوعًا فعليًا في المجموعة التي تناسبه أكثر للمهمّة. هذه المجموعات المتعلمة لا تستند إلى صفات ظاهرة مثل العمر أو النوع بمفردها، بل إلى مدى مساهمتها في قدرة النظام على التنبؤ بالتقييمات أو الاختيارات التي سيقوم بها المستخدمون بالفعل.

مزامنة الفرد والمجموعة

يتجاوز DDGLM ذلك بفرض أن صورة الشخص كفرد وصورته كجزء من مجموعة يجب أن تتفقا. يضيف مصطلحًا إضافيًا لعملية التعلم يسحب برفق تمثيلات الفرد والمجموعة لتقترب من بعضها البعض. يمنع هذا انجراف ملفات تعريف المجموعات إلى أنماط غير واقعية لا يتطابق معها أي عضو فعلًا، مع السماح للنموذج في الوقت نفسه بالتقاط الأذواق المشتركة. باستخدام هذه التمثيلات، يمكن للنظام التعامل مع أربع حالات شائعة بطريقة موحّدة: التوصية بعنصر واحد لشخص واحد، عنصر لمجموعة، حزمة من العناصر لشخص واحد، أو حزمة لمجموعة. في كل حالة، تختزل التوصيات إلى مقارنات بسيطة بين الأشخاص والمجموعات ذات الصلة داخل الخريطة الخفية.

هل تساعد المجموعات التكيفية فعلاً؟

لاختبار مدى نجاح الفكرة، أجرى المؤلفون تجارب واسعة على مجموعات تقييم أفلام معروفة تُدعى MovieLens-100K وMovieLens-1M. قارنوا DDGLM بطرق تُكوّن المجموعات عشوائيًا أو عبر التجميع التقليدي أو من خلال أطر توصية موحّدة سابقة. عبر السيناريوهات الأربعة—فردي، جماعي، حزمة، وحزمة إلى مجموعة—قدّم النموذج الديناميكي تنبؤات تقييم أكثر دقة واقتراحات مرتبة أفضل. كان أداؤه أقوى خاصةً عندما كانت المجموعات أو الحزم متضمنة، حيث كانت الأساليب الثابتة تعاني. أكدت اختبارات إحصائية دقيقة أن هذه المكاسب لم تكن مجرّد صدفة، وأظهرت تجارب زمن التنفيذ أن الطريقة قابلة للتوسع جيدًا مع زيادة عدد المستخدمين والعناصر والمجموعات.

ماذا يعني هذا للمستخدمين اليوميين

بالنسبة لغير المتخصصين، الخلاصة واضحة: تعمل أنظمة التوصية بشكل أفضل عندما يُسمح لها باكتشاف تجمّعات مفيدة عند الطلب بدلًا من الارتباط بتعريفات مجموعات جامدة مُحددة مسبقًا. من خلال تعلّم أي الأشخاص والعناصر يتحركون معًا طبيعيًا في البيانات—وبينما تعمل على تحديث تلك الأنماط باستمرار—يمكن لـ DDGLM توليد اقتراحات تعكس الأذواق المشتركة بشكل أفضل، سواء كان فيلمًا لعائلة، قائمة تشغيل لحفلة، أو باقة عطلات لمجموعة سياحية. تُظهر الدراسة أن اعتبار تكوين المجموعات نفسه شيئًا يمكن للنظام تعلّمه يؤدي إلى توصيات أكثر دقة وقابلية للتكيف وربما أكثر عدلاً في الخدمات الرقمية التي نستخدمها يوميًا.

الاستشهاد: Busireddy, N.R., Kagita, V.R. & Kumar, V. Group learning in recommendation systems: towards adaptive and implicit group modeling. Sci Rep 16, 5918 (2026). https://doi.org/10.1038/s41598-026-36356-x

الكلمات المفتاحية: أنظمة التوصية الجماعية, التعلّم الجماعي الديناميكي, توصيات مخصصة, الترشيح التعاوني, التعلّم العميق