إطار توصية هجين يستخدم تمثيلات RoBERTa متكيفة مع المجال لتحسين التخصيص في التجارة الإلكترونية

اقتراحات تسوق أكثر ذكاءً

كل من يتسوّق عبر الإنترنت واجه اقتراحات منتجات تبدو دقيقة بشكل ملفت — أو، في كثير من الأحيان، بعيدة تمامًا عن الصواب. يستعرض هذا البحث طريقة جديدة لبناء أنظمة التوصية تجعلها تفهم بشكل أفضل ما الذي تدور حوله المنتجات وما الذي يفضله الناس بالفعل، حتى عندما تكون البيانات المتاحة قليلة في البداية. الهدف هو جعل قوائم «قد يعجبك أيضًا» أكثر دقةً وتنوّعًا وموثوقيةً للمشتري العادي.

لماذا تفشل التوصيات عبر الإنترنت في بعض الأحيان

تعتمد أنظمة التوصية التقليدية على حيلتين أساسيتين. الأولى تقارنك بأشخاص تصرفوا مثلك في الماضي، وتقترح العناصر التي أعجبتهم. والأخرى تفحص ميزات المنتج — مثل الفئة أو العلامة التجارية أو كلمات رئيسية بسيطة — وتطابقها مع تفضيلاتك المعروفة. تنهار هذه الأساليب عندما تكون البيانات نادرة، أو عند ظهور مستخدمين أو منتجات جديدة (مشكلة «البداية الباردة»)، أو عندما تتغير أذواقك مع الوقت. تحاول العديد من الأنظمة «الهجينة» المتقدمة دمج إشارات متعددة، لكنها غالبًا ما تصبح معقّدة وبطيئة وصعبة الفهم، خاصة عند التعامل مع ملايين المستخدمين والمنتجات.

إدخال فهم اللغة في التوصيات

يقترح المؤلفون إطارًا اسمه HyReC يعتمد بشدة على طريقة حديث الناس عن المنتجات. يستخدم نموذج لغة قويًا، RoBERTa، تم تدريبه لاحقًا على نصوص التجارة الإلكترونية ليصبح «متمكنًا» من المراجعات ووصف المنتجات في مجال مستلزمات الأطفال. يحول هذا النموذج النص الخام — العناوين، الأوصاف، وأفضل المراجعات — إلى بصمات رقمية مكثفة تلتقط المعنى والمشاعر، مثل ما إذا كان الناس يمدحون المتانة، يشكون من التسريبات، أو يذكرون سهولة الاستخدام. تساعد هذه البصمات المحتوى HyReC على إدراك أن منتجين متشابهين حتى لو كانت علاماتهما التجارية مختلفة أو صيغت النصوص بطرائق مختلفة.

مزج السلوك والعادات والآراء

النص وحده لا يكفي، لذا يتعلم HyReC أيضًا من كيف يتصرف المستخدمون فعليًا. يحلل شبكة عصبية عميقة أنماط أي المستخدمين قاموا بتقييم أي عناصر، مكتشفة اتصالات خفية — على سبيل المثال، أن الأشخاص الذين يحبون عربات الأطفال تميل أيضًا إلى تفضيل مقاعد سيارة معينة. إلى جانب ذلك، يحسب النظام إحصاءات بسيطة وقابلة للتفسير مثل متوسط تقييم كل مستخدم، مدى صرامته أو سخائه في التقييم، مدى تكرار تفاعله، ومدى تحيّز تقييماته نحو درجات عالية أو منخفضة جدًا. تُحسب إحصاءات مماثلة للمنتجات. تساعد هذه الملخصات السلوكية النظام على استنتاج ما يخص المستخدمين ذوي التقييمات القليلة أو العناصر التي ظهرت حديثًا، مما يخفف من مشكلات البداية الباردة.

ترك النموذج يقرر ما الأهم

الابتكار الرئيسي في HyReC هو كيفية دمجه لهذه الإشارات المختلفة. بدلًا من تجميع الأرقام كلها سويًا بشكل بسيط، يستخدم آلية «انتباه» تتعلم وزن المحتوى والأنماط التعاونية والإحصاءات السلوكية بشكل مختلف لكل زوج مستخدم–منتج. بالنسبة لمتسوق معين، قد تحمل نصوص المراجعات أكبر وزن؛ ولآخر قد تسود أنماط التقييم السابقة. ثم يدخل النموذج هذا التمثيل المدمج إلى طبقة ترتيب مصممة خصيصًا لفرز العناصر المرشّحة بحيث تصعد الأكثر ملاءمة إلى الأعلى. يتم التدريب باستخدام تقنيات تحسين مهيأة لمهام الترتيب، مما يساعد النظام على الأداء الجيد في قوائم التوصية «أعلى-K» العملية بدلًا من الاكتفاء بتنبؤات التقييم الخام.

إثبات الفكرة باستخدام بيانات تسوق حقيقية

لاختبار HyReC، استخدم المؤلفون مجموعة بيانات من منتجات Amazon Baby تحتوي على أكثر من 56,000 مراجعة عبر آلاف المستخدمين والمنتجات. قارَنوا نموذجهم بعدة قواعد مقارنة حديثة، بما في ذلك طرق التعلم العميق والمبنية على الرسوم البيانية. حقق HyReC أخطاء تنبؤ أقل بدرجة كبيرة وتوافقًا شبه تام مع تقييمات المستخدمين الفعلية، وحقق استدعاء ودرجات F1 مرتفعة جدًا عند تقييمه كنظام ترتيب. تظهر تجارب إضافية أن إزالة أي مكوّن — تمثيلات النص، الإشارات التعاونية، الإحصاءات السلوكية، الانتباه، أو طبقة الترتيب — يضر بالأداء بشكل ملحوظ، مما يؤكد أن كل جزء يلعب دورًا مميزًا ومهمًا.

ماذا يعني هذا للمستخدمين العاديين

بعبارات بسيطة، يُظهر هذا العمل أن أنظمة التوصية يمكن أن تصبح أكثر ذكاءً وشفافية بدمج ما يقوله الناس، وما يفعلونه، وكيف يتصرفون مع مرور الوقت، بدل الاعتماد على مصدر واحد للمعلومات. بالنسبة للمتسوقين، قد يعني ذلك اقتراحات أكثر صلة، واكتشافًا أفضل للمنتجات الجديدة أو المتخصصة، وقلة الإحباط عند التصفح. أما بالنسبة للشركات، فهناك طريقة قابلة للتوسع للتعامل مع البيانات النادرة وتغير الأذواق دون تحويل أنظمتها إلى صناديق سوداء. ويقترح المؤلفون أن التوسعات المستقبلية قد تضيف إشارات أغنى — مثل الصور أو حلقات تغذية راجعة طويلة الأمد — لدفع التخصيص عبر الإنترنت أقرب إلى كيفية توجيه بائع بشري مدروس لخياراتك.

الاستشهاد: Rajpoot, C.S., Tiwari, V. & Vishwakarma, S.K. A hybrid recommendation framework utilizing domain-adaptive RoBERTa embeddings for enhanced personalization in e-commerce. Sci Rep 16, 14541 (2026). https://doi.org/10.1038/s41598-026-38853-5

الكلمات المفتاحية: أنظمة التوصية, تخصيص التجارة الإلكترونية, التوصية الهجينة, التعلم العميق, سلوك المستخدم