تحليل المصفوفة الحدّي الأقصى العميق

لماذا تهم الاقتراحات الأذكى

من ليالي الأفلام إلى التسوّق عبر الإنترنت، نعتمد على منصات رقمية لتخمين ما قد يعجبنا لاحقًا. تنتج هذه التخمينات من خوارزميات التوصية التي تتعلّم من اختياراتنا وتقييماتنا السابقة. لكن أذواق الناس فوضوية ونادرًا ما تتبع أنماطًا بسيطة. تقدّم هذه الورقة طريقة جديدة لنمذجة تلك الأذواق المعقّدة، تُدعى تحليل المصفوفة الحدّي الأقصى العميق (Deep MMMF)، والتي تهدف إلى تحويل بيانات التقييم المتناثرة والجزئية إلى توصيات أكثر وضوحًا وموثوقية.

كيف تعمل أنظمة التوصية اليوم عادةً

تُبنى العديد من أنظمة التوصية الحديثة حول تقنية تُسمى تحليل المصفوفات. تخيّل جدولًا ضخمًا حيث الصفوف تمثل المستخدمين والأعمدة تمثل العناصر، وكل خانة تحتوي تقييمًا إن وُجد. يقوم تحليل المصفوفات بضغط هذا الجدول الهائل والمتناثر إلى خريطتين أصغر: واحدة تصف التفضيلات الكامنة للمستخدمين، والأخرى تصف السمات الكامنة للعناصر. عندما يريد النظام أن يتوقّع كيف قد يقيم مستخدم عنصرًا لم يره من قبل، يجمع بين متجه التفضيل الكامن للمستخدم والمتجه الذي يصف سمة العنصر ليحصل على درجة. لقد دفعت تباينات كلاسيكية من هذه الفكرة أنظمة معروفة للأفلام والمنتجات والموسيقى.

من خطوط مستقيمة إلى تفضيلات منحنية

إحدى الطرق المؤثرة، تحليل المصفوفة الحدّي الأقصى (MMMF)، تذهب خطوة أبعد بمعاملة التقييمات كفئات مرتبة: نجمة واحدة أسوأ من نجمتين، ونجمتين أسوأ من ثلاث، وهكذا. يتخيل MMMF تمثيلات العناصر كنقاط في فضاء والمستخدمين كأسطح قاطعة مستوية (فراغات فوق المستوى) تقسم هذا الفضاء إلى مناطق للتقييم. كل منطقة تتوافق مع مستوى تقييم مختلف، وتدفع الطريقة هذه الأسطح الفاصلة بعيدًا قدر الإمكان لتقليل الالتباس بين التقييمات المجاورة. ومع ذلك، لأن هذه الأسطح مطلوبة أن تكون مسطحة ومتوازية، يمكن للنموذج أن يعبر فقط عن أنماط ذوق بسيطة وقريبة من الخطية.

نظرة أوضح على الأذواق والعناصر

التفضيلات الحقيقية نادرًا ما تكون بهذه البساطة. فكّر في ثلاثة مشاهدين: واحد يحب أفلامًا متوازنة ذات حركة معتدلة، وآخر يريد حركة عالية لكن شدة منخفضة، وثالث يستمتع بأي فيلم ذي حركة عالية. مثل هذه السلوكيات تقطع حدودًا منحنية وغير منتظمة في فضاء الأفلام، ليست شرائح متوازية مرتبة. يتعامل Deep MMMF مع هذا من خلال الاحتفاظ بهيكل MMMF المألوف مع وضع شبكات عصبية عميقة فوق تمثيلات المستخدمين والعناصر والعتبات المتعلقة بالتقييم. أولًا، يبني النموذج تمثيلات مدمجة قياسية للمستخدمين والعناصر وحدود التقييم، مثل MMMF. ثم تحول وحدات عصبية منفصلة كلًا من هذه التمثيلات عبر طبقات من الدوال غير الخطية، مما يحدّب حدود التقييم إلى أشكال أغنى دون زيادة عدد الأبعاد الخفية.

ما تكشفه التجارب

يختبر المؤلفون Deep MMMF على ثلاث مجموعات بيانات شائعة: MovieLens 1M وEachMovie ومجموعة منتجات Amazon Prime Pantry. يفحصون حالتين. في التعميم الضعيف، يتنبّأ النظام بتقييمات أزواج المستخدم–العنصر المحجوبة لكن حيث تم رؤية كل من المستخدمين والعناصر أثناء التدريب. في التعميم القوي، يواجه النظام مستخدمين جددًا تمامًا لم تُستخدم تقييماتهم السابقة في ضبط النموذج الرئيسي، فيجب أن يستنتج أذواقهم بسرعة من الصفر. عبر كلتا الحالتين وجميع مجموعات البيانات، ينتج Deep MMMF باستمرار أخطاء تنبؤ أقل من مجموعة واسعة من الطرق الرائدة، بما في ذلك MMMF الكلاسيكي ونماذج التحليل الاحتمالي وعدد من أنظمة التوصية القائمة على التعلّم العميق. تؤكد الاختبارات الإحصائية أن هذه التحسينات ليست نتيجة للصدفة.

لماذا هذه المقاربة واعدة

من خلال الحفاظ على حجم التمثيلات الخفية الأصلي مع إضافة تحويلات مرنة وغير خطية، يفصل Deep MMMF بوضوح بين "المزيد من الأبعاد" و"الدوال الأكثر تعبيرًا". هذا يجعل من الأسهل أن نفهم أن المكاسب تأتي فعليًا من نمذجة أفضل لأنماط الذوق المعقّدة بدلًا من مجرد تكبّر النموذج. تشير النتائج إلى أن أنظمة التوصية يمكن أن تحترم ترتيب التقييمات الطبيعي والطبيعة المتشابكة لتفضيلات البشر بشكل أفضل دون التضحية بالقدرة على التفسير أو الكفاءة. عمليًا، يعني هذا أن أنظمة التوصية المستقبلية المبنية على أفكار مثل Deep MMMF قد توفّر اقتراحات أكثر دقة وشخصنة في الأفلام والتسوّق وما بعدها، خاصة عندما لا تتبع أذواق المستخدمين خطوطًا بسيطة مستقيمة.

الاستشهاد: Kumar, S., Kagita, V.R., Kumar, V. et al. Deep maximum margin matrix factorization. Sci Rep 16, 14518 (2026). https://doi.org/10.1038/s41598-026-44839-0

الكلمات المفتاحية: أنظمة التوصية, التصفية التعاونية, التعلّم العميق, تحليل المصفوفات, تقييمات المستخدمين