إطار تعلم عميق قائم على التبديل لتوصيات التجارة الإلكترونية المخصصة والتكيفية

لماذا تهم الاقتراحات الإلكترونية الأذكى

في كل مرة تتسوق فيها عبر الإنترنت، يقوم خوارزم خلف الكواليس بمحاولة تخمين ما قد ترغب برؤيته بعد ذلك. لكن الأشخاص يستخدمون مواقع التسوق بطرق مختلفة للغاية: بعضهم قد وصل للتو، بعضهم يتصفح بلا مبالاة، وآخرون زبائن مخلصون ومتكررون. تقدم هذه الورقة إطار توصية جديد يتكيّف مع هذه الاختلافات في الوقت الفعلي، بهدف جعل اقتراحات المنتجات أكثر دقّة وعدلاً وفائدة للجميع—من الزوار الجدد إلى المشترين الكبار.

ثلاثة أنواع من المتسوقين، لا نوع واحد

يبدأ الباحثون بحجة أن معاملة كل المستخدمين على قدم المساواة تؤدي إلى توصيات ضعيفة. يقسّمون المتسوقين إلى ثلاث مجموعات واسعة اعتماداً على مقدار تفاعلهم مع الموقع. «الجدد» ليس لديهم تقريباً أي تاريخ، ربما بعض عمليات البحث أو النقرات القليلة. «المستخدمون الخفيفون» قاموا ببضعة زيارات أو مشتريات. «المستخدمون الكثيفون» لديهم أثر طويل من المشاهدات والنقرات والإضافات إلى السلة والتقييمات والطلبات. كل مجموعة تنتج أنواعاً وكميات مختلفة من البيانات، لذا يكافح خوارزم واحد يناسب الجميع لخدمتهم جميعاً بشكل متساوٍ.

مساعدة الزوار الجدد بالصور والوصف

بالنسبة للمستخدمين الجدد تماماً، الخدعة المعتادة—البحث عن أنماط سابقة في سلوكهم—لا تعمل ببساطة لأن هذا التاريخ غير موجود. يتعامل النظام المقترح مع مشكلة «البدء البارد» بالاعتماد على المنتجات نفسها. يستخدم شبكة عصبية تتعلم من كل من صور المنتجات وتفاصيلها النصية، مثل العنوان، العلامة التجارية، الفئة، والسعر. تُجمَع هذه العناصر المختلفة في تمثيل رقمي مشترك، بحيث تنتهي المنتجات ذات المظهر والوصف المتشابهين قريبة من بعضها في هذا الفضاء المجرد. عندما يكتب زائر جديد استعلاماً بسيطاً أو ينقر على بضعة عناصر، يقوم النظام بتخطيط تلك الأفعال إلى نفس الفضاء ويُرجع المنتجات القريبة، مجسّداً التذوق من خلال المظهر والنص بدلاً من العادات طويلة الأمد.

خدمة المتسوقين العرضيين بمطابقة خفيفة الوزن

يوفّر المستخدمون الخفيفون بعض الأدلة المباشرة—مثل عدد صغير من المشاهدات أو المشتريات السابقة—لكن لا يكفي ذلك لطرق معقّدة للغاية. لهذه المجموعة، يستخدم الإطار نموذجًا مبسّطًا «ذو برجين». يلخّص أحد الأبراج من يكون المستخدم وما قام به حتى الآن؛ بينما يلخّص البرج الآخر ميزات المنتج. أثناء التدريب، يتعلم النظام سَحب تمثيل المستخدم أقرب إلى العناصر التي تفاعل معها ودفعه بعيداً عن الآخرين. يسمح هذا التصميم بمسح سريع جداً عبر فهارس كبيرة لاختيار قائمة قصيرة من العناصر الواعدة. تُظهر الاختبارات أنه بعد التدريب، تتضاعف فرصة ظهور العنصر الصحيح ضمن أفضل 10 اقتراحات تقريباً، وتتحسّن جودة الترتيب بشكل كبير مقارنةً بنسخة غير مدرّبة.

تمكين المستخدمين الكثيفين بالعديد من الإشارات في آن واحد

يترك المستخدمون الكثيفون آثاراً غنية: ما يشاهدونه، ما يشترونه، كيف يقيمون العناصر، وأكثر. بدلاً من التركيز على سلوك واحد فقط، يبني الباحثون نموذجًا متعدد المهام يتعلم التعامل مع عدة أهداف في آن واحد. يمثل جوهر مشترك كل من المستخدمين والمنتجات؛ وفوق هذا، يتنبأ فرع واحد بالتقييمات بينما يتنبأ فرع آخر بالعناصر التي من المرجح أن يختارها المستخدم بعد ذلك. يسمح تدريب المهمتين معاً للإشارات الوفيرة لكنها الصاخبة مثل مشاهدات المنتجات أن تعزز التعلم لإشارات أندر ولكن أكثر إفادة مثل التقييمات. تُظهر التجارب أن النماذج المصممة فقط للتقييمات أو فقط للاسترجاع تؤدي أداءً جيداً في هدفها الواحد ولكن ضعيفاً على الآخر، بينما يوفّر النموذج المشترك توازناً أفضل بشكل عام.

تبديل الأداة الصحيحة في الوقت المناسب

الفكرة الأساسية التي تربط هذه الأجزاء معاً هي آلية تبديل تختار النموذج المناسب بناءً على مستوى تفاعل كل شخص الحالي. عندما ينتقل شخص ما من زائر جديد إلى متسوق عرضي ثم إلى زبون متكرر، يتتبع النظام تغييرات النشاط ويوجه بياناتهم تلقائياً عبر الوحدة الأنسب. عبر المجموعات الثلاث، يقلّل هذا التصميم التكيفي من أخطاء التنبؤ، ويزيد من معدلات النجاح، ويستثمر بشكل أفضل العديد من الإشارات الضعيفة التي تجمعها المنصات الحديثة. بعبارات يومية، يعني ذلك أن قائمة «مقترح لك» يمكن أن تبقى ذات صلة سواء كنت قد وصلت للتو أو تتسوق على الموقع منذ سنوات، دون أن تطغى احتياجات مجموعة واحدة على أخرى.

الاستشهاد: Saini, K., Singh, A., Diwakar, M. et al. A switching-based deep learning framework for personalized and adaptive E-commerce recommendations. Sci Rep 16, 10382 (2026). https://doi.org/10.1038/s41598-026-40024-5

الكلمات المفتاحية: توصية التجارة الإلكترونية, التسوق المخصص, التعلّم العميق, سلوك المستخدم, أنظمة التوصية