نموذج توصية المكان التالي الزماني المكاني القائم على قصور سلوك المستخدم

لماذا تستمر أماكنك المفضلة بالظهور

أي شخص يستخدم خرائط أو تطبيقات مراجعات رأى نفس المقاهي أو الصالات الرياضية أو المتنزهات تتقدم بهدوء في اقتراحاته. تستعرض هذه الورقة سبب جعل عاداتنا اليومية تلك التوصيات متوقعة إلى حد كبير وكيف يمكن لأساليب رياضية أذكى تحويل بيانات تسجيل الوصول المتفرقة إلى اقتراحات للمكان التالي أكثر فائدة وأقل عشوائية.

العادات وراء أماكننا

ينطلق المؤلفون من ملاحظة بسيطة: نادرًا ما يختار الناس محطتهم التالية عشوائيًا. تقود الغايات اليومية مثل الأكل والتنقل والاسترخاء أو الخروج سلوكنا. مع مرور الوقت، يؤدي التكرار في الذهاب إلى أماكن مشابهة لنفس الغاية إلى ما يسميه المؤلفون قصور السلوك، وهو نوع من الجذب الافتراضي نحو المواقع المألوفة. وفي الوقت نفسه، الحياة الواقعية فوضوية: وقت اليوم، والمسافة، ورغبة تجربة مكان جديد قد تدفع الناس بعيدًا عن خياراتهم الاعتيادية، فتعمل كمقاومة لهذا القصور. يتمثل التحدي في التقاط كلا الاتجاهين لكي يتمكن نظام التوصية من تخمين محطة المستخدم التالية بشكل أكثر موثوقية.

فرز الأماكن حسب الغاية اليومية

إحدى العقبات أن حتى التطبيقات الشائعة المعتمدة على المواقع تملك بيانات متفرقة للغاية لكل شخص؛ كل مستخدم يزور جزءًا ضئيلًا فقط من الأماكن المتاحة. لتخفيف هذه المشكلة، يجمع الباحثون نقاط الاهتمام إلى أربع غايات واسعة وبديهية: الأكل والشرب، النقل والإقامة، الخروج والترفيه، والنشاطات الخارجية. يمكن أن ينتمي مكان واحد لأكثر من مجموعة إذا كان يؤدي أدوارًا متعددة، مثل بار يعمل أيضًا كمطعم. من تاريخ كل مستخدم، يبنون بعد ذلك خطًا زمنيًا للغايات بدلًا من الإحداثيات الخام. تقنيات السلاسل الزمنية البسيطة تقدر متى من المرجح أن يسعى المستخدم لكل غاية تالٍ، ما يضيّق بشكل حاد مجموعة الأماكن المرشحة قبل إجراء أي تقييم دقيق.

دمج المسافة وقوة العادة

بعد تخمين غاية المستخدم المحتملة، ينتقل النموذج إلى الجغرافيا والعادة. يميل الناس للتحرك ضمن بعض المناطق المألوفة حيث تعمل مواقع رئيسية، مثل البيت أو المكتب، كمراكز. باستخدام تسجيلات الوصول السابقة، يتعلم النظام مكان هذه المراكز وعدد مرات زيارة كل موقع مجاور. تحصل الأماكن الأقرب إلى محطات المستخدم المتكررة على دفعة طبيعية، تعكس الجهد الإضافي المطلوب للسفر إلى أبعد. وفي الوقت نفسه، يقيس النموذج قصور السلوك عبر النظر إلى مدى انتظام عودة الشخص لنفس المكان وإلى طول الفجوات الزمنية بين الزيارات عادةً. كما يأخذ بعين الاعتبار عدد الأماكن المختلفة التي يجربها الشخص لنفس الغاية: شخص متمسك بعاداته ويأكل دائمًا في نفس المطعم يتصرف بشكل مختلف عن من يجرب باستمرار، حتى لو كان كلاهما يتناولان الطعام كثيرًا.

موازنة مناطق الراحة مع الفضول

جوهر النهج هو معاملة القصور والمقاومة كقوتين متنافستين. إذا كان المستخدم يعود غالبًا إلى مكان مع فجوات زمنية منتظمة، يفترض النموذج وجود جذب قوي للعودة إلى هناك، خاصةً عندما يقترب نافذة الزيارة المتوقعة التالية. للأماكن التي تُزار نادرًا، يتحقق النظام مما إذا كانت قريبة من موضع المستخدم الحالي وما إذا كانت تنتمي إلى فئة أوسع يحب المستخدم استكشافها. هذا يجعل من الممكن التوصية ليس فقط بالأماكن الاعتيادية الواضحة، بل أيضًا بخيارات جديدة معقولة في أحياء مألوفة. يتمزج الدرَج النهائي لكل موقع مرشح من ثلاثة مكونات: الغاية المتوقعة، القرب الجغرافي، وقوة قصور السلوك المتعلمة مقابل المقاومة.

هل تعمل هذه التخمينات الأذكى فعلاً

لاختبار طريقتهم، طبّق المؤلفون النموذج على نحو عام من تسجيلات الوصول الواقعية من مدينة نيويورك وطوكيو على مدى ما يقرب من سنة. قارنوا نموذجهم بقائمة طويلة من الأساليب الموجودة، بما في ذلك تقنيات تعتمد على الشبكات الاجتماعية، والتعلّم العميق، ونمذجة التسلسلات المفصّلة. عبر كلتا المدينتين، حسّن نموذجهم القائم على قصور السلوك مقاييس الدقة الرئيسية بحوالي 15 بالمئة في الاستدعاء وما يصل إلى 20 بالمئة في مقياس ترتيب يُدعى MAP. ببساطة، لم ينجح النظام في العثور على المكان الصحيح التالي بمعدل أكبر فحسب، بل وضعه أيضًا في مواضع أعلى في قائمة الاقتراحات، حيث يملك المستخدم فرصة أكبر لملاحظته.

ما معنى ذلك لمستقبل التوصيات

للمستخدمين العاديين، الخلاصة أن توصيات أفضل تأتي من فهم لماذا نذهب إلى أماكن، وليس فقط أين ومتى. من خلال الاعتراف بأن الناس يتبعون روتينًا مرنًا تشكّله الغاية والعادة ودوافع صغيرة للاستكشاف، يقدم هذا النموذج طريقة لاقتراح محطات تالية تبدو بديهية وفي وقت مناسب. يقترح المؤلفون أن العمل المستقبلي يمكن أن يكيّف التوازن بين القصور والمقاومة مع توافُر بيانات أكثر، ويزاوج ذلك مع التعلم العميق الحديث، مما يمنح خدمات المواقع إحساسًا أكثر إنسانية لمناطق الراحة والفضول على حد سواء.

الاستشهاد: Zhang, K., Chu, D., Tu, Z. et al. A user behavior inertia based spatio temporal next POI recommendation model. Sci Rep 16, 15784 (2026). https://doi.org/10.1038/s41598-026-42191-x

الكلمات المفتاحية: توصية المكان التالي, قصور سلوك المستخدم, خدمات معتمدة على المواقع, نمذجة زمانية مكانية, أنماط التنقّل