نهج تجميع نيوتروسوفي للتعامل مع عدم اليقين في التوصيات لمستخدمي «الغنم الرمادية»

لماذا يحصل بعض الأشخاص على توصيات غريبة

تبدو مواقع البث ومنصات التسوق أحيانًا كما لو أنها «تعرف»نا، لكن بالنسبة لكثيرين تظل الاقتراحات بعيدًا عن الهدف. تبحث هذه الورقة في مجموعة معقدة من المستخدمين الذين لا تتوافق أذواقهم مع الجماعة، وتظهر كيف أن احتضان عدم اليقين — بدلاً من تجاهله — يمكن أن يحسّن بشكل كبير ما يُوَصَّى به لهؤلاء الأشخاص.

المستخدمون الذين يربكون محركات التوصية

تعتمد معظم أنظمة التوصية على أنماط الحشود: «أشخاص مثلك أحبّوا هذه الأفلام أو الكتب أو الأغاني». ينجح ذلك عندما تتشابه تفضيلاتك مع مجموعة كبيرة من الآخرين. لكن بعض الأشخاص، الذين يُطلَق عليهم «مستخدمو الغنم الرمادية»، يفضلون مزيجًا من المحتوى السائد والغريب لا يتطابق بوضوح مع أي مجموعة واحدة. تكون تقييماتهم متناثرة، فلا يجد النظام جيرانًا موثوقين، وتكون الاقتراحات الناتجة غير دقيقة أو متناقضة. تتفاقم المشكلة بسبب ندرة البيانات: في مجموعة بيانات أفلام نموذجيّة، أكثر من 90% من أزواج المستخدم–الفيلم المحتملة لا تحتوي على تقييم، لذا يختفي مستخدمو الغنم الرمادية عمليًا في الضوضاء.

تحويل عدم اليقين إلى إشارة مفيدة

يقترح المؤلفون مواجهة هذا الالتباس مباشرة من خلال نمذجة عدم اليقين في سلوك المستخدم صراحة. يستخدمون إطارًا منطقيًا يُسمى التفكير «النيوتروسوفي»، الذي يمثل مدى انطباق كل مستخدم على مجموعة بثلاثة عناصر: مدى التطابق (الصدق)، مدى غموض التطابق (اللايقين/الالتباس)، ومدى عدم انتمائهم بوضوح (الباطل). بدلاً من إجبار كل شخص على الانتماء لمجموعة واحدة واضحة، يسمح تجميع k‑means النيوتروسوفي بامتدادات جزئية وحتى غامضة للانتماءات. تصبح المجموعة التي تسجل أعلى درجة من الغموض الشامل «مجموعة الغنم الرمادية»: أشخاص يصعب تحديد أذواقهم لكن من المهم عدم تجاهلهم.

مسار ذا مسارين للتوصيات

بعد تقسيم المستخدمين إلى مجموعات السائد والغنم الرمادية، يعامل النظام كل فئة بطريقة مختلفة. للمستخدمين الاعتياديين يُستخدم أسلوب الترشيح التعاوني القائم على العناصر: تُقارن العناصر بعضها ببعض استنادًا إلى كيفية تقييم الناس لها، ويحصل المستخدم على توصيات تشبه ما يحبّه بالفعل. أما لمستخدمي الغنم الرمادية، فيُطبَّق نفس الأسلوب القائم على العناصر، لكن فقط بعد عزلهم بعناية بواسطة خطوة التجميع الواعية لعدم اليقين. هذه الطبقة الإضافية تضمن أنه عندما يبحث النظام عن أنماط، فإنه يقارن كل مستخدم غنم رمادية بعناصر ونماذج تقييم تعكس تفضيلاتهم الفريدة والمتناثرة بدلاً من أن يُمتصوا داخل متوسط الأغلبية. تحافظ التجارب على إعدادات التوصية ثابتة، لذا يمكن عزو أي تحسن إلى التعرف الأفضل على مستخدمي الغنم الرمادية، لا إلى حيل ضبط المعلمات.

كم يتحسن الأمر فعلاً؟

يختبر المؤلفون إطارهم على مجموعات بيانات معروفة للأفلام (MovieLens 100K و1M)، ثم يمدونه إلى الكتب (Book‑Crossing) والموسيقى (Last.fm). بالمقارنة مع طريقة تجميع لينة شائعة (fuzzy c‑means) وعدة هجن متقدمة للتجميع، يحقق منهجهم النيوتروسوفي باستمرار أخطاء تنبؤ أقل ونجاحًا أعلى في اختيار عناصر يحبها فعلاً مستخدمو الغنم الرمادية. على سبيل المثال، في مجموعة MovieLens 100K تصل الدقة والاستدعاء لمجموعة الغنم الرمادية إلى نحو 89% و91% على التوالي، مع أخطاء تقييم أصغر بشكل ملحوظ. كما يتفوق الأسلوب على عدة موصّيات بالتعلم العميق عند التقييم تحديدًا على مستخدمي الغنم الرمادية، رغم استخدامه بنية أبسط وأكثر شفافية. الميزة الأساسية ليست القوة الحاسوبية الخام، بل المعالجة الصريحة لعدم اليقين كإشارة ذات مقام أول.

ما معنى ذلك للمستخدمين في حياتهم اليومية

بعبارات بسيطة، تُظهر هذه الدراسة أن الاعتراف بـ«لست متأكدًا من هذا المستخدم» يمكن أن يكون أقوى من التظاهر بعدم وجود عدم يقين. من خلال تخصيص مسار مخصص للأشخاص الذين لا تتناسب أذواقهم مع القوالب القياسية، يستعيد النظام المقترح جمهورًا مهمَلًا ويقدّم له توصيات أكثر دقة وتنوّعًا وإرضاءً. ومع أن الدراسة الحالية تركز على التقييمات أكثر من المحتوى الغني مثل النص أو الصور، وتستهدف بالأساس مستخدمي الغنم الرمادية لا جميع المستخدمين، فإنها تقدّم وصفة عملية: ابنِ خطوط أنابيب توصية تكتشف الغموض، وتعالجه صراحة، وتستخدمه لتوجيه طريقة صنع الاقتراحات. لأي شخص قال يومًا «هذه التوصيات ليست أنا حقًا»، قد يجعل هذا التحوّل الأنظمة المستقبلية أكثر خصوصية وعدلاً.

الاستشهاد: Samir, D., El Reheem, E.A., Darwish, S.M. et al. A neutrosophic clustering approach to handle recommendation uncertainty for gray sheep users. Sci Rep 16, 9663 (2026). https://doi.org/10.1038/s41598-026-41651-8

الكلمات المفتاحية: أنظمة التوصية, مستخدمو الغنم الرمادية, نمذجة عدم اليقين, التجميع النيوتروسوفي, الترشيح التعاوني