تحسين نظام التوصيات الشخصية باستخدام شبكات الانتباه البياني المدفوعة بالإدراك للتعقيد والابتكار

لماذا تهم الاقتراحات الأكثر ذكاءً

في كل مرة تتسوق فيها عبر الإنترنت، هناك محرك خفي يخمن أي المنتجات من المرجح أن تُعجبك. معظم هذه المحركات تراقب في المقام الأول ما نقرته وما إذا كانت المراجعات تبدو إيجابية أم سلبية. تجادل هذه الورقة بأن هذه النظرة سطحية للغاية. يبيّن المؤلفون أن فهم مدى شعور العملاء بأن المنتج «سهل الاستخدام» أو «جديد أو مبتكر» يمكن أن يجعل التوصيات أكثر رضىً ودقة بكثير. بنوا واختبروا نظام توصية جديد يقرأ المراجعات المكتوبة، يتعلم هذه التصورات الأعمق، ثم يستخدمها ليقترح منتجات تتناسب بصورة أفضل مع مستويات راحة الناس وشهيتهم للجدة.

النظر إلى ما بعد الإعجاب أو عدم الإعجاب المبسَّط

تعتمد أنظمة التوصية التقليدية بشكل كبير على تقييمات النجوم والتحليل العاطفي الأساسي: هل المراجعة إيجابية أم سلبية أم محايدة؟ ورغم فائدة هذا، فإنه يغفل فروقًا مهمة. قد يحصل جهاز على تقييم عالٍ ومع ذلك يظل محيرًا في الإعداد، أو قد يبهر جهاز مبتكر بعض العملاء ويُربك آخرين. يجادل المؤلفون بأن عاملين مُهملين—الإدراك للتعقيد (مدى بساطة أو صعوبة استخدام المنتج) والإدراك للابتكار (مدى حداثته أو تفرده)—يشكلان بشكل قوي مدى رغبة الشخص في الشراء والاستمرار في استخدام المنتج. استخراج هذين السمتين من اللغة اليومية في المراجعات يمكن أن يساعد في تكييف الاقتراحات للمستخدمين الذين يفضلون أدوات مباشرة مقابل أولئك الذين يستمتعون بتجربة تصميمات متطورة.

تعليم النظام قراءة الفروق الدقيقة في المراجعات

للاستفادة من هذه الإشارات الأعمق، بدأ الباحثون بآلاف من مراجعات منتجات أمازون. قام مُعنِّقون بشريون بوضع علامات بعناية على كل مراجعة حسب مدى تعقيدها ومدى ابتكار المنتج، متبعين إرشادات صارمة وفحوصًا لضمان التوافق فيما بينهم. ثم وسّعوا هذه العلامات باستخدام أدوات من أبحاث اللغة: قواميس للكلمات المرتبطة، مقاييس لانفعال الكلمات، وتقنيات الذكاء الاصطناعي القابلة للتفسير التي تُظهر أي الكلمات تؤثر أكثر على قرارات النظام. أتاح هذا الإجراء لهم تقييم المراجعات الجديدة تلقائيًا على مقاييس البساطة مقابل الصعوبة والابتكار مقابل الاعتيادية، مع الحفاظ على قواعد وضع العلامات شفافة وقابلة للتدقيق.

تحويل آراء العملاء إلى شبكة معرفية

بعد وسم المراجعات، حوّل الفريق كل مراجعة إلى ملخص رقمي غني يلتقط معناها في السياق. استخدموا نموذج لغة حديث يتعلم وضع الجمل المماثلة بالقرب من بعضها في فضاء رياضي، بحيث تتجمع المراجعات التي تصف «إعدادًا سهلًا» معًا، بينما تشكل المراجعات التي تصف «قوائم مربكة» عنقودًا مختلفًا. وعلى هذا الأساس، بنوا رسمًا بيانيًا—شبكة من الروابط—تربط المراجعات والمنتجات التي تشترك في أنماط مماثلة من الإدراك للتعقيد والابتكار. ثم يتعلم نموذج متخصص يُدعى شبكة الانتباه البياني كيفية التركيز على أكثر الروابط إفادة في هذه الشبكة، مترجمًا أي المنتجات والمراجعات ذات الصلة يجب أن تكون مؤثرة أكثر عند التنبؤ بما إذا كان ينبغي أن يحصل عنصر معين على توصية قوية أو متوسطة أو ضعيفة.

موازنة البيانات وشرح الخيارات

عادةً ما تكون بيانات العالم الحقيقي غير متوازنة: قد تكون هناك عدد أكبر من المنتجات «الموصى بها» مقارنة بغير الموصى بها، أو العكس. لتفادي نظام متحيز يفضل الأغلبية ببساطة، استخدم المؤلفون تقنية تُصنع أمثلة إضافية واقعية للمجموعات الممثلة تمثيلًا ناقصًا، مما يوحّد مجموعة التدريب دون تشويه الأنماط الأساسية. ودمجوا هذا أيضًا مع استراتيجيات وزن أثناء التعلم حتى يولي النموذج اهتمامًا عادلاً للحالات النادرة. والأهم من ذلك، طبقوا طرق الذكاء الاصطناعي القابلة للتفسير لفحص كيفية توصل النظام إلى قراراته، متتبعين أي الكلمات وأنماط المراجعات دفعت المنتج نحو توصية نعم أو متوسطة أو لا. هذا يجعل سلوك النظام أكثر قابلية للفهم للمصممين والشركات وربما حتى للمستخدمين النهائيين.

كيف أداء النظام الجديد

النظام الناتج، المسمى GAT-RS، اختبر مقابل عدة نماذج معيارية حديثة قوية، بما في ذلك نماذج التعلم العميق التي تؤدي جيدًا بالفعل في تحليل المراجعات. لم يكتفِ GAT-RS بمضاهاة هذه المناهج بل تفوق عليها، حيث صنف التوصيات بشكل صحيح لنحو 95 من كل 100 حالة اختبار وأظهر قدرة عالية جدًا على التمييز بين المنتجات التي يجب اقتراحها وتلك التي لا يجب اقتراحها. التحدي الرئيسي المتبقي يكمن في التفرقة بين الحالات الحدية—المنتجات التي لا تُنصح بها بوضوح ولا تُرفض بوضوح—لكن حتى هنا كانت الأخطاء متواضعة نسبيًا. عمومًا، برهن النظام على قوة خاصة في تحديد العناصر التي تستحق توصية واثقة.

ماذا يعني هذا للمتسوقين العاديين

بعبارات بسيطة، تُظهر هذه الدراسة أن محركات التوصية يمكن أن تفعل أكثر من مجرد اكتشاف الانطباعات الإيجابية في المراجعات. من خلال الانتباه إلى ما إذا كان المنتج يبدو بسيطًا أم متطلبًا، وما إذا كان يبدو مجرَّبًا أم جريئًا وجديدًا، يمكن للأنظمة ملاءمة الاقتراحات لأساليب التفكير الفردية وشغفهم بالجدة. بالنسبة للمتسوقين، قد يعني ذلك نوبات ندم أقل بعد شراء منتجات يتضح لاحقًا أنها معقدة جدًا أو مملة جدًا، والمزيد من المنتجات التي تبدو ملائمة بشكل طبيعي. بالنسبة للشركات، يقدم ذلك مسارًا نحو أدوات توصية أكثر موثوقية وفاعلية ليست دقيقة فحسب، بل تشرح أيضًا سبب اقتراح عنصر معين منذ البداية.

الاستشهاد: Ullah, S., Khan, A., Khan, K.U. et al. Improving personalized recommendations system using graph attention networks driven by perceived complexity and innovation. Sci Rep 16, 11286 (2026). https://doi.org/10.1038/s41598-026-41019-y

الكلمات المفتاحية: التوصيات الشخصية, مراجعات المنتجات, شبكات الانتباه البياني, الإدراك للتعقيد, الإدراك للابتكار