גישה אשכולית ניוטרוסופית להתמודדות עם אי־ודאות בהמלצות עבור משתמשי "כבשים אפורות"

מדוע לחלק מהאנשים מוצגים המלצות מוזרות

אתרי סטרימינג ופלטפורמות קניות לעתים מרגישים כאילו הם "מכירים" אותנו, אך עבור רבים ההצעות עדיין מפספסות את המטרה. מאמר זה בוחן קבוצה מסובכת של משתמשים שלטעמה לא תואם את ההמונים ומראה כיצד קבלת אי־הוודאות — במקום התעלמות ממנה — יכולה לשפר באופן דרמטי את ההמלצות לאנשים אלה.

המשתמשים שמבלבלים את מנועי ההמלצות

מרבית מערכות ההמלצה לומדות דפוסים מההמונים: "אנשים כמותך אהבו גם את הסרטים, הספרים או השירים האלה." זה עובד היטב כשטעמו דומה לקבוצה גדולה של אחרים. אך יש אנשים, המכונים "כבשים אפורות", שאוהבים תערובת של פריטים שגרתיים וחריגים שלא תואמת באופן ברור שום קבוצה אחת. הדירוגים שלהם מפוזרים, המערכת אינה מוצאת שכנים אמינים, וההמלצות שמתקבלות לעתים אינן מדויקות או אינן עקביות. הבעיה מחמירה עקב נתונים מדלדלים: בערכת סרטים טיפוסית למעלה מ‑90% מזוגות משתמש־סרט חסרי דירוג, כך שמשתמשי כבשים אפורות למעשה נעלמים ברעש.

להפוך אי־וודאות לאות מועיל

המחברים מציעים להתמודד עם הבלבול הזה באופן ישיר על‑ידי מידול מפורש של אי־הוודאות בהתנהגות המשתמשים. הם משתמשים במסגרת לוגית הנקראת ניוטרוסופיה, המייצגת את התאמתו של כל משתמש לאשכול בשלושה מרכיבים: עד כמה הוא מתאים (אמת), כמה התאמתו לא ברורה (אינדרמינציה), ועד כמה ברור שאינו משתייך (שקר). במקום לכפות על כל אדם להשתייך לקבוצה אחת נקייה, אשכולות k‑means ניוטרוסופיים מאפשרים לחברים להיות בעלי חברות חלקית ואפילו מעורפלת. האשכול עם אי־הוודאות הכוללת הגבוהה ביותר הופך לקבוצת "כבשים אפורות": אנשים שטעמם קשה לקבוע אך חשוב שלא להתעלם מהם.

נתיב דו‑מסלולי להמלצות

לאחר שמשתמשים מופרדים לאשכולות מרכזיים ולכבשים אפורות, המערכת מטפלת בהם באופן שונה. עבור משתמשים טיפוסיים משתמשים בשיטת סינון שיתופי מבוססת‑פריטים סטנדרטית: משווים פריטים זה לזה על בסיס האופן בו אנשים דירגו אותם, והמשתמש מקבל המלצות הדומות למה שהוא כבר אוהב. עבור משתמשי כבשים אפורות מיישמים את אותה שיטת מבוססת‑פריטים, אך רק לאחר שהופרדו בקפידה בשלב האשכוליות הרגיש לאי־וודאות. השכבה הנוספת הזו מבטיחה שכאשר המערכת מחפשת דפוסים, היא משווה כל משתמש כבשה אפורה עם פריטים ותבניות דירוג שמשקפות את העדפותיו הייחודיות והמפוזרות, במקום לטשטש אותן בתוך הרוב. הניסויים שומרים על הגדרות ההמלצה קבועות, כך שכל שיפור ניתן לזקוף לזיהוי טוב יותר של משתמשי כבשים אפורות ולא לטריקים של כוונון.

כמה זה באמת משתפר?

המחברים בוחנים את המסגרת שלהם על ערכות נתונים ידועות לסרטים (MovieLens 100K ו‑1M), ולאחר מכן מרחיבים לספרים (Book‑Crossing) ומוזיקה (Last.fm). בהשוואה לשיטת אשכולות רכה פופולארית (fuzzy c‑means) ולכמה היברידים מתקדמים, הגישה הניוטרוסופית שלהם משיגה בעקביות שגיאות חיזוי נמוכות יותר והצלחה גבוהה יותר בבחירת פריטים שמשתמשי כבשים אפורות באמת אוהבים. למשל, בערכת MovieLens 100K דיוק וזכירה לאשכול הכבשים האפורות מגיעים לכ‑כ‑89% ו‑91% בהתאמה, עם שגיאות דירוג קטנות יותר באופן ניכר. השיטה גם מובילה על פני כמה ממליצים מבוססי למידה עמוקה כאשר מעריכים ספציפית את ביצועיה על משתמשי כבשים אפורות, אף על פי שהיא משתמשת בארכיטקטורה פשוטה ושקופה יותר. היתרון המרכזי אינו כוח חישובי גולמי, אלא הטיפול המפורש באי־וודאות כאות מדרגה ראשונה.

מה זה אומר למשתמשים היומיומיים

בהסבר פשוט, עבודה זו מראה שההכרה ב"אני לא בטוח לגבי משתמש זה" יכולה להיות חזקה יותר מהעמדה שהאי־וודאות אינה קיימת. על ידי חיתוך נתיב ייעודי לאנשים שטעמו אינו תואם תבניות סטנדרטיות, המערכת המוצעת מחזירה קהל שנזנח ומגישה לו המלצות מדויקות, מגוונות ומספקות יותר. בעוד שהמחקר הנוכחי מתמקד בעיקר בדירוגים יותר מאשר בתוכן עשיר כמו טקסט או תמונות, ובעיקר בכבשים אפורות ולא בכל המשתמשים, הוא מציע מתכון מעשי: לבנות צינורות המלצה שמגלים עמימות, מטפלים בה במפורש ומשתמשים בה כדי להנחות כיצד נוצרות ההצעות. עבור כל מי שאי‑פעם חשב, "ההמלצות האלה לא ממש אני", השינוי הזה יכול לגרום למערכות העתידיות להרגיש הרבה יותר אישיות והוגנות.

ציטוט: 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

מילות מפתח: מערכות המלצה, משתמשי כבשים אפורות, מידול אי־ודאות, אשכולות ניוטרוסופיים, סינון שיתופי