انتباه الرسم البياني ودلالات النص تحسّن التوصية الشخصية

لماذا تهم الاقتراحات الأذكى

في كل مرة تفتح فيها موقع تسوق أو تطبيق أفلام أو مكتبة إلكترونية، تعتمد على خوارزميات لتصفية فيضان من الخيارات وإبراز مجموعة قد تهمك فعلاً. ومع ذلك، غالباً ما تكافح أنظمة التوصية هذه عندما تكون البيانات عن مستخدم أو عنصر قليلة، أو عندما تتغير أذواق الناس مع مرور الوقت. تقدم هذه الدراسة طريقة جديدة لصنع التوصيات لا تكتفي بملاحظة من نقر ماذا، بل تقرأ أيضاً النص المحيط—مثل المراجعات والوصف—وتستكشف شبكة من المفاهيم المرتبطة لتخمن بشكل أفضل ما قد يعجبك بعد ذلك.

من المطابقات البسيطة إلى الروابط الغنية

تعمل أدوات التوصية التقليدية بطريقة تشبه العثور على أشخاص لديهم تاريخ شراء أو مشاهدة مماثل ونسخ اختياراتهم. هذا النهج، المسمى التصفية التعاونية، يعتمد على جداول كبيرة من تفاعلات المستخدم–العنصر. عندما تكون هذه الجداول رفيعة—لأن المستخدمين جدد، أو العناصر غير مشهورة، أو ردود الفعل نادرة—يفقد النظام سريعاً الأدلة. محاولات سابقة لحل هذه المشكلة أضافت ميزات نصية: على سبيل المثال، استخراج الآراء من مراجعات المستخدمين لالتقاط الانطباعات عن الحبكات، أساليب الكتابة، أو الممثلين. ساعدت هذه الطرق، لكنها غالباً ما تعاملت جميع المراجعات على أنها ذات أهمية متساوية وفشلت في نمذجة التبادل الدقيق بين ذوق المستخدم وخصائص العنصر.

بناء شبكة معرفة

يتّخذ المؤلفون مساراً مختلفاً بوضع المستخدمين والعناصر داخل رسم معرفي—شبكة يمكن أن تمثل العقد فيها كتباً، أفلاماً، مؤلفين، أنماطاً، وغيرها من الكيانات، والحواف تُشفّر علاقاتها. في هذا الإطار، يمكن للمسارات غير المباشرة أن تكشف عن تفضيلات خفية؛ على سبيل المثال، مستخدم يحب عدة أفلام مرتبطة بنفس المخرج أو الموضوع قد يستمتع أيضاً بأعمال ذات صلة حتى لو لم يقيمها من قبل. مع ذلك، فإن استكشاف عدة خطوات في مثل هذا الرسم بشكل سطحي قد يُدخل ضوضاء وتكلفة حسابية عالية. التحدي هو أن تتيح للنموذج الاستماع إلى الجيران الأكثر إفادة في هذه الشبكة مع تجاهل الروابط المضللة أو البعيدة.

إتاحة الانتباه للنموذج

يتعامل النموذج المقترح، المسمى TNRA، مع هذا باستخدام شبكات الانتباه الرسومية على جانب المستخدم والتلافيف الرسومية على جانب العنصر. بالنسبة للمستخدمين، يتتبع النموذج «موجات» متعددة الخطوات عبر الرسم المعرفي بدءاً من العناصر التي تفاعلوا معها، مع إعطاء أوزان أعلى للروابط الأكثر صلة. تعني آلية الانتباه هذه أن ليس كل العقد المجاورة تؤثر على ملف المستخدم الشخصي بنفس القدر؛ يتعلم النظام أي المسارات هي الأهم لتوقع اهتمامات جديدة. على جانب العنصر، يأخذ النموذج عينة محدودة من العقد القريبة—مثل منتجات ذات صلة أو سمات—ويُدمج ميزاتها لتشكيل بورتريه مُنقح لكل عنصر، مرة أخرى موجهة بمدى توافق هؤلاء الجيران مع ذوق مستخدم معين.

تعليم النظام القراءة

الخلاصة الأساسية هي أن TNRA لا يعتمد على بنية الرسم وحدها. بل يتعلم أيضاً من اللغة في مراجعات المستخدمين ووصف العناصر. بعد تنظيف وتقسيم النص إلى وحدات، يحوّل النظام الجمل إلى متجهات مكثفة تلتقط المعنى، مثل الحماس لنمط معين أو الشكاوى بشأن إيقاع السرد. تُدمج هذه المتجهات المستمدة من النص مع التمثيلات القائمة على الرسم للمستخدمين والعناصر، مما يُثري كل عقدة بالروابط البنائية والدلالات اللغوية. عندما يقارن النظام لاحقاً بين مستخدم وعنصر، فإنه في الواقع يقارن «قصصهما» المدمجة بدلاً من مجرد سجلات النقر الأولية.

اختبار النهج

قيّم الباحثون TNRA على مجموعتين مرجعيتين معروفتين: مجموعة تقييمات كتب واسعة النطاق ومجموعة أفلام MovieLens-1M، وكلاهما عُزز برسم معرفي تجاري. قارنوا نهجهم بعدة قواعد أساس قوية تستخدم التعلم العميق وطرق الرسم. عبر مقاييس متعددة—بما في ذلك مدى جودة تمييز النموذج للعناصر التي تفاعل معها المستخدم عن تلك التي تجاهلها، وعدد العناصر ذات الصلة التي تظهر في أعلى قائمة التوصية—تفوق TNRA باستمرار. حقق درجات أعلى بشكل طفيف لكن ذو دلالة، خصوصاً في سيناريوهات ندرة البيانات، وفعل ذلك بأزمنة تدريب واستهلاك ذاكرة مماثلة لأنظمة قائمة على الرسوم الأخرى.

ماذا يعني هذا للمستخدمين اليوميين

بعبارات بسيطة، تُظهر هذه الدراسة أن أنظمة التوصية يمكن أن تصبح أكثر دقة ومرونة بدمج فكرتين: تمثيل العالم الإلكتروني كشبكة مترابطة من الكيانات، وإتاحة «القراءة بين السطور» من مراجعات المستخدمين والوصف. من خلال تركيز الانتباه بعناية على الروابط الأكثر صلة ودمج المعنى النصي، يمكن لـ TNRA استنتاج ما من المرجح أن يستمتع به الناس بشكل أفضل، حتى عندما تكون الإشارات الصريحة قليلة. بالنسبة للمستخدمين، قد يترجم ذلك إلى اقتراحات كتب وأفلام أكثر ملاءمة وقوائم أقل ارتباطاً غير مفيدة، خصوصاً لأذواق متخصصة وعناصر جديدة التي تميل الطرق التقليدية إلى تجاهلها.

الاستشهاد: Dong, J., Shen, Z., Luo, H. et al. Graph attention and text semantics improve personalized recommendation. Sci Rep 16, 11672 (2026). https://doi.org/10.1038/s41598-026-46737-x

الكلمات المفتاحية: التوصية الشخصية, رسم معرفي, الشبكة العصبية الرسومية, دلالات النص, أنظمة التوصية