DeepSentRec: نظام توصية منتجات مدعوم بالتعلّم العميق وواعٍ بالمشاعر

لماذا تهم الاقتراحات الأذكى

في كل مرة تتسوّق فيها عبر الإنترنت، أو تشاهد سلسلة حلقات متتاليات، أو تتصفح تقييمات المطاعم، تقرر خوارزميات غير مرئية ما الذي ستراه بعد ذلك. ومع ذلك كثيراً ما تغفل هذه الأنظمة عن أمر جوهري: كيف تشعر فعلاً تجاه ما تشتريه أو تشاهده. تقدم هذه الورقة DeepSentRec، إطار توصية جديد يحاول أن يقرأ ليس مجرد نقراتك، بل نبرة مراجعاتك المكتوبة—حماسك أو خيبة أملك أو لامبالاتك—ثم يستخدم هذا الإشارة العاطفية لتخصيص الاقتراحات المستقبلية بطريقة أكثر إنسانية.

من تقييمات النجوم إلى المشاعر الحقيقية

تعتمد معظم محركات التوصية الحالية بشكل كبير على الأرقام: تقييمات النجوم، النقرات السابقة، وتاريخ الشراء. وتتعامل مع مراجعات المستخدمين في الغالب كنص طويل وفوضوي يصعب استخدامه على نطاق واسع. ونتيجة لذلك، تتجاهل دلائل غنية مثل ما إذا كان التقييم ثلاثي النجوم قد مُنح بقبول متردد أو بمجاملة طفيفة. أظهرت أبحاث سابقة أن دمج المشاعر—الشعور الإيجابي أو المحايد أو السلبي المعبر عنه في النص—يمكن أن يحسن التخصيص، لكن العديد من الأنظمة تظل تضيف هذا كميزة سطحية بدلاً من جعله محور تشكيل وترتيب التوصيات.

ثلاثة عقول تعمل معاً

صُمم DeepSentRec كخط معالجة ثلاثي يحيك المشاعر والسلوك والتعلّم من الملاحظات في حلقة واحدة. أولاً، وحدة المشاعر المسماة SentimentBERT تقرأ نص المراجعات وتنتج بصمة عاطفية دقيقة لكل مراجعة، وليس مجرد إبهام لأعلى أو لأسفل. ثانياً، وحدة التوصية الهجينة تمزج بين منظورتين: الأشخاص الذين تصرفوا مثلك (التصفية التعاونية) والمنتجات التي تحمل مراجعاتها معانٍ ومشاعر مشابهة (التشابه الدلالي). ثالثاً، وحدة التعلّم للترتيب المبنية على التعلّم التعزيزي تعيد باستمرار ترتيب قوائم المنتجات المقترحة اعتماداً على كيفية استجابة المستخدمين—سواء نقروا أو اشتروا أو تجاهلوا العناصر.

التعلّم من أصوات كثيرة

لاختبار ما إذا كان هذا التصميم يساعد فعلاً الأشخاص على العثور على عناصر أكثر صلة، درّب المؤلفون وقيّموا DeepSentRec على أربع مجموعات بيانات كبيرة من العالم الحقيقي: مراجعات منتجات Amazon، ومراجعات نشاطات Yelp، ومراجعات أفلام IMDB، ومجموعة تغذية راجعة للتجارة الإلكترونية من Kaggle. قبل أي عملية تعلّم، يتم تنظيف النص بعناية وتقسيمه إلى قطع مناسبة لنماذج اللغة الحديثة. يُدرّب SentimentBERT أولاً على مراجعات أفلام موسومة جيداً ثم يُعدّل لاحقاً (fine-tune) على بيانات Amazon وYelp ليتكيف مع أنماط وحقول كتابة مختلفة. كما يبني النظام تمثيلات مُدمجة لكيفية تفاعل كل مستخدم مع كل منتج، ثم يدمج تلك مع تضمينات نصية واعية بالمشاعر لخلق صورة أكثر ثراءً للأذواق.

تحويل الملاحظات إلى ترتيبات أفضل

أبرز ما يميز DeepSentRec هو كيف يعامل التصنيف على أنه محادثة مستمرة بدل حساب ثابت. باستخدام تقنية تعلّم تعزيزي تسمى Proximal Policy Optimization، يعتبر النظام كل قائمة مرتبة قراراً وكل تفاعل للمستخدم مكافأة أو عقوبة. تُدمج النقرات والمشتريات والتجاوزات في درجة تشجع النموذج على إبراز العناصر التي تجلب تفاعلًا طويل الأمد، وليس مجرد نقرات سريعة. مع الوقت، تتحسّن سياسة الترتيب من خلال تجربة ترتيبات مختلفة والاحتفاظ بتلك التي تؤدي إلى تفاعلات أكثر معنىً، مثل عمليات الشراء أو الاستخدام المتكرر.

ماذا تظهر النتائج للمستخدمين الحقيقيين

عبر مجموعات بيانات Amazon وKaggle للتجارة الإلكترونية، يتفوق DeepSentRec باستمرار على الطرق التقليدية المعتمدة فقط على السلوك السابق أو مطابقة النص البسيطة. فهو يوفر دقة أعلى (حصة أكبر من الاقتراحات العليا فعلاً ذات صلة)، واستدعاء أفضل (يجد المزيد مما يهتم به المستخدمون)، ومقاييس جودة ترتيب أقوى. والأهم للمنصات الحقيقية، يزيد معدلات النقر ومؤشر التفاعل العام الذي يجمع طرقًا متعددة لاستجابة المستخدمين. تُظهر دراسات الإقصاء—إزالة مكونات النظام بشكل منهجي—أن كل جزء له أثر: نمذجة المشاعر تحسّن الدقة، والنموذج الهجين نص-بجانب-التفاعل يحسّن التغطية، والمتعلم التعزيزي يعزز مدى تفاعل المستخدمين مع التوصيات.

ماذا يعني هذا للتوصيات اليومية

بعبارات بسيطة، تشير الدراسة إلى أن محركات التوصية تتحسن بشكل ملحوظ عندما تستمع إلى ما تكتبه في المراجعات بنفس عناية مراقبة ما تنقر عليه، وعندما تستمر في التعلّم من سلوكك الحديث بدلاً من الاعتماد فقط على الأنماط القديمة. يوضح DeepSentRec أن الجمع بين النبرة العاطفية، والسياق من النص، والتغذية الراجعة المستمرة يمكن أن يُنتج توصيات تبدو أكثر ملاءمة وتوقيتًا وشخصية. بينما يركز العمل الحالي على مراجعات باللغة الإنجليزية وتجارب غير متصلة بالزمن الحقيقي، فإنه يشير إلى جيل جديد من الأنظمة التي تتكيف قريباً في الزمن الحقيقي ويمكن توسيعها إلى لغات ومجالات متعددة، مما قد يجعل التجارب الرقمية—من التسوق إلى التعلم—أكثر انسجاماً مع ما يشعر به الناس ويفعلونه فعلاً.

الاستشهاد: Kollu, S.R.P., Garapati, Y. DeepSentRec: a deep learning-based sentiment-aware product recommendation system. Sci Rep 16, 10580 (2026). https://doi.org/10.1038/s41598-026-45953-9

الكلمات المفتاحية: أنظمة التوصية, تحليل المشاعر, تخصيص التجارة الإلكترونية, التعلّم العميق, التعلّم التعزيزي