FedSCOPE: توصية متسلسلة عبر النطاقات بطريقة موزعة مع تعلم تبايني مفصول وتحسين دلالي يحافظ على الخصوصية

لماذا تهم التوصيات الأذكى والأكثر أمانًا

في كل مرة تتصفح أفلامًا أو تتسوق عبر الإنترنت أو تقرأ تقييمات، تقرر أنظمة التوصية بهدوء ما الذي ستراه بعد ذلك. ومع انتشار حياتنا الرقمية عبر تطبيقات ومواقع عديدة، يمكن لتلك الأنظمة أن تقدم أداءً أفضل بكثير إذا استطاعت أن تتعلم من كل نشاطاتك دفعة واحدة—دون أن تكشف عن بياناتك الخاصة. تقدم هذه الورقة FedSCOPE، نهجًا جديدًا لتمكين منصات مختلفة من التعاون في تقديم توصيات أكثر دقة واحترامًا لخصوصية المستخدم.

مشكلة محركات التوصية الحالية

تعيش معظم أنظمة التوصية الحالية داخل تطبيق أو موقع واحد ولا ترى سوى شريحة ضيقة من سلوكك. هذا يعني أنها تُعاني مع المستخدمين الجدد الذين لديهم سجل قليل، أو مع المنتجات المتخصصة التي يتفاعل معها عدد قليل من الأشخاص. عندما تحاول الشركات دمج البيانات عبر نطاقات—مثل الكتب والأفلام، أو الطعام وأدوات المطبخ—تواجه ثلاث مشكلات كبيرة: البيانات غالبًا ما تكون متناثرة، وتختلف أنواع المستخدمين والنشاطات كثيرًا بين المنصات، وتفرض قواعد الخصوصية الصارمة مخاطر عند تجميع البيانات الخام في مكان واحد. الحلول البسيطة، مثل إضافة نفس مقدار الضجيج الحافظ للخصوصية للجميع، تميل إما إلى إضعاف الحماية أو الإضرار الشديد بالدقة.

السماح لنماذج اللغة بملء الفراغات

يتعامل FedSCOPE مع مشكلة الندرة من خلال أن تقوم كل منصة بإثراء بياناتها باستخدام نموذج لغة كبير، ولكن بطريقة غير مألوفة وواعية للخصوصية. بدلًا من إرسال تاريخ المستخدمين إلى خدمة ذكاء اصطناعي عن بُعد في كل مرة يتم فيها توليد توصية، يقوم كل عميل بعملية غير متصلة ومرة واحدة: يُدخل عناوين ومعلومات أساسية عن العنصر (مثل اسم الفيلم والنوع) إلى نموذج اللغة ويطلب أوصافًا منظمة، مثل الموضوعات المحتملة، أنماط المشاهدة، أو الاهتمامات ذات الصلة. تظل هذه السمات المولَّدة على الجهاز المحلي أو الخادم وتُدمج مع سجلات النقرات والمشاهدة العادية باستخدام شبكة عصبية خفيفة. يمنح هذا النظام فهماً أغنى لكل من المستخدمين والعناصر، وهو مفيد بشكل خاص عندما تكون التفاعلات المسجلة قليلة. وبما أن العملية تُجرى محليًا وغير متصلة، فلا تغادر السلوكيات الخام المنصة، ولا يوجد اعتماد مستمر على خدمات ذكاء اصطناعي خارجية.

فصل ما هو شخصي عما يُشارك

للاستفادة من السلوكيات القادمة من نطاقات متعددة دون خلط الإشارات بشكل ضار، يقدم FedSCOPE استراتيجية تدريب تسمى التعلم التبايني المفصول. ببساطة، يتعلم النظام شيئين في آنٍ واحد. أولًا، داخل كل نطاق—مثلاً جانب الأفلام فقط—يقرب بين المستخدمين الذين يتصرفون بشكل مشابه ويفصل بينهم وبين من يختلفون في السلوك، مما يوضح الذوق الشخصي داخل ذلك البيئة. ثانيًا، عبر النطاقات، يوافق التمثيلات لنفس المستخدم مع الحفاظ على تميز المستخدمين المختلفين، بحيث ما تشاهده يمكن أن يساعد في التنبؤ بما قد تقرأه أو تشتريه، دون أن يتم طمسك مع غيرك. من خلال التعامل مع أهداف «داخل النطاق» و«عبر النطاق» بشكل منفصل، تتجنب الطريقة فخًا شائعًا حيث يؤدي إجبار كل شيء في قالب مشترك إلى تدمير التفضيلات الدقيقة.

حماية الخصوصية دون فقدان الفائدة

تعني الخصوصية الرياضية القوية، المعروفة باسم الخصوصية التفاضلية، عادة إضافة ضجيج عشوائي لتحديثات النموذج قبل مشاركتها مع خادم مركزي. استخدمت العديد من الأنظمة السابقة نفس إعدادات الخصوصية لجميع المشاركين، وهو ملاءمة سيئة عندما يكون لدى بعض العملاء ملايين المستخدمين ولدى آخرين بضعة آلاف فقط. بدلاً من ذلك، يمنح FedSCOPE كل عميل موازنة خصوصية مخصصة ويتكيف مع مقدار القص والتشويش في تحديثاته بناءً على حجم بياناته وسلوكه السابق. يمكن للمنصات الكبيرة الغنية بالبيانات أن تساهم بمعلومات أكثر دقة دون تشويش مفرط، بينما تُحاط الصغيرة بحماية أكثر عدوانية. ثم تُدمج كل التحديثات باستخدام تجميع آمن، بحيث لا يرى الخادم أي مساهمة فردية بوضوح.

ما أظهرته التجارب عمليًا

اختبر المؤلفون FedSCOPE على بيانات تسوق من العالم الحقيقي من أمازون، مع إقران نطاقات مثل الأفلام بالكتب والطعام بالمطبخ. قارنوه مع مجموعة من طرق التوصية الحديثة، بما في ذلك نهج أخرى تحافظ على الخصوصية وعبر النطاقات. عبر مقاييس دقة متعددة، احتل FedSCOPE باستمرار مراكز متقدمة أو بالقرب من القمة. تقاربت نماذجه أسرع أثناء التدريب، وعملت بشكل أفضل للمستخدمين ذوي التفاعلات القليلة جدًا في الماضي، وثبتت فعاليتها عندما تغير عدد العملاء المشاركين أو النسبة المُختارة في كل جولة. والأهم من ذلك، عندما شدد الفريق قيود الخصوصية، حافظت استراتيجية FedSCOPE التكيفية على أداء أعلى بكثير من الأنظمة التي تستخدم خصوصية تفاضلية موحدة للجميع.

ماذا يعني هذا للمستخدمين اليوميين

من منظور غير متخصص، يشير FedSCOPE إلى مستقبل يمكن لتطبيقاتك المفضلة فيه التعاون لفهم ذوقك بعمق أكبر دون أن تجمع بياناتك الخام في مكان واحد. من خلال إثراء السجلات المتناثرة برؤى من نماذج اللغة، وفصل ما هو خاص بكل نطاق عما يُشارك، وضبط ضوابط الخصوصية لكل مشارك، يقدم الإطار توصيات أكثر صلة واحترامًا للمعلومات الشخصية. عمليًا، قد يعني ذلك اقتراحات أفضل لما تشاهده أو تقرأه أو تشتريه بعد ذلك—دون أن تضطر للتخلي عن خصوصيتك الرقمية.

الاستشهاد: Zhao, L., Lin, Y., Qin, S. et al. FedSCOPE: Federated cross-domain sequential recommendation with decoupled contrastive learning and privacy-preserving semantic enhancement. Sci Rep 16, 7420 (2026). https://doi.org/10.1038/s41598-026-38628-y

الكلمات المفتاحية: التوصية الفدرالية, الذكاء الاصطناعي وحماية الخصوصية, التخصيص عبر النطاقات, نماذج اللغة الكبيرة, الخصوصية التفاضلية