Recommendation System

نظام التوصية هو خوارزمية لترشيح المعلومات، صُممت للتنبؤ بتفضيل المستخدم لعناصر محددة. وتشكّل هذه الأنظمة الذكية أساس تطبيقات الذكاء الاصطناعي (AI) الحديثة، إذ تساعد المستخدمين على التنقل بين الكم الهائل من المحتوى المتاح عبر الإنترنت من خلال تنسيق اقتراحات مخصصة. ومن خلال تحليل الأنماط في البيانات الضخمة—مثل سجل المشتريات، وعادات المشاهدة، وتقييمات المستخدمين—تعمل محركات التوصية على تعزيز تفاعل المستخدم وتبسيط عمليات اتخاذ القرار. ويُعتمد عليها بكثافة في البيئات التي يتجاوز فيها تنوع الخيارات قدرة المستخدم على تقييمها جميعًا يدويًا.

الآليات الأساسية للتوصية#

تستخدم محركات التوصية عادةً استراتيجيات محددة من تعلُّم الآلة (ML) لإنشاء اقتراحات ملائمة. وتشمل الأساليب الأساسية الثلاثة ما يلي:

• الترشيح التعاوني: تعتمد هذه الطريقة على افتراض أن المستخدمين الذين اتفقوا في الماضي سيتفقون في المستقبل. وتحدد أوجه التشابه بين المستخدمين (على أساس المستخدم) أو العناصر (على أساس العنصر) باستخدام بيانات التفاعل. فعلى سبيل المثال، إذا أعجب المستخدم A والمستخدم B بـ "الفيلم X"، يفترض النظام أن المستخدم A قد يعجبه أيضًا "الفيلم Y" إذا كان المستخدم B قد استمتع به.
• الترشيح القائم على المحتوى: يوصي هذا النهج بعناصر مشابهة للعناصر التي أعجب بها المستخدم سابقًا، استنادًا إلى سمات العناصر. ويتطلب تحليل خصائص العناصر نفسها، وغالبًا ما يستخدم معالجة اللغة الطبيعية (NLP) لتحليل الأوصاف النصية أو الرؤية الحاسوبية (CV) لتحليل صور المنتجات.
• النماذج الهجينة: من خلال الجمع بين الترشيح التعاوني والترشيح القائم على المحتوى، تهدف أنظمة التوصية الهجينة إلى تجاوز قيود الأساليب الفردية، مثل عدم القدرة على التوصية بعناصر جديدة لا تملك سجلًا لتفاعلات المستخدمين.

التطبيقات الواقعية#

تمتد الفائدة العملية لأنظمة التوصية إلى مختلف القطاعات، إذ تسهم في دفع كلٍّ من تجربة العملاء وإيرادات الأعمال.

1. التجارة الإلكترونية وتجارة التجزئة: تستخدم المنصات خوارزميات متقدمة لاقتراح المنتجات للمتسوقين. وتدعم هذه الأنظمة الذكاء الاصطناعي في تجارة التجزئة من خلال عرض قوائم ديناميكية من نوع "العملاء الذين اشتروا هذا اشتروا أيضًا..."، مما يزيد فرص البيع المتقاطع زيادة كبيرة.

2. بث الوسائط: تعتمد الخدمات اعتمادًا كبيرًا على التخصيص. وتطوّر فرق أبحاث التوصية في Netflix خوارزميات تحلل سجل المشاهدة لملء الصفحة الرئيسية للمستخدم بالأفلام والعروض الملائمة. وبالمثل، تنشئ منصات الموسيقى قوائم تشغيل من خلال تحليل الأنماط الصوتية وسلوكيات الاستماع لدى المستخدمين.

التوصيات المرئية باستخدام التضمينات#

تتضمن إحدى التقنيات الأساسية في أنظمة التوصية الحديثة، ولا سيما للمحتوى المرئي، استخدام التضمينات. والتضمين هو تمثيل عددي لعنصر (مثل صورة) في فضاء عالي الأبعاد. وتكون العناصر المتشابهة بصريًا ذات تضمينات متقاربة.

يوضح كود Python التالي كيفية استخراج تضمينات الصور باستخدام نموذج تصنيف Ultralytics YOLO26 مدرّب مسبقًا، وحساب درجة تشابهها باستخدام PyTorch.

import torch.nn.functional as F
from ultralytics import YOLO

# Load a YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate embeddings for two images (returns a list of Results objects)
results = model.predict(["bus.jpg", "dog.jpg"], embed=[1000])

# Calculate cosine similarity between the two embeddings
# Higher score indicates greater visual similarity
similarity = F.cosine_similarity(results[0].probs.data, results[1].probs.data, dim=0)

print(f"Visual Similarity Score: {similarity.item():.4f}")

أنظمة التوصية مقارنةً بالمفاهيم ذات الصلة#

من المهم التمييز بين أنظمة التوصية والتقنيات الأساسية التي تستخدمها غالبًا:

• البحث المتجهي: هذه طريقة استرجاع تُستخدم للعثور على العناصر الموجودة في قاعدة بيانات متجهية التي تكون الأقرب رياضيًا إلى استعلام معين. وبينما يستخدم نظام التوصية البحث المتجهي للعثور على منتجات متشابهة، فإن نظام التوصية نفسه يشمل منطقًا أوسع لتوصيف المستخدمين وترتيب النتائج. ويمكنك استكشاف هذا الموضوع بمزيد من التفصيل في دليلنا حول البحث عن التشابه.
• البحث الدلالي: بخلاف التوصيات الأساسية التي قد تعتمد على التداخل السلوكي، يركّز البحث الدلالي على فهم المعنى الكامن وراء الاستعلام. وقد يستخدم محرك التوصية البحث الدلالي لتفسير نية المستخدم عند تصفحه فئات محددة.

التحديات والاعتبارات#

ينطوي نشر أنظمة توصية فعّالة على تحديات كبيرة:

• مشكلة البداية الباردة: يفتقر المستخدمون أو العناصر الجدد إلى سجل التفاعل المطلوب للترشيح التعاوني. وتُعد تقنيات مثل التعلُّم بعدد قليل من الأمثلة أو استخدام البيانات الوصفية من حلول مشكلة البداية الباردة الشائعة.
• قابلية التوسع: يجب أن تعالج الأنظمة ملايين التفاعلات في الوقت الفعلي. ويتطلب ذلك استراتيجيات فعّالة لـنشر النماذج وعتادًا مُحسّنًا.
• الآثار الأخلاقية: تزداد الحاجة إلى معالجة التحيز الخوارزمي لمنع الأنظمة من ترسيخ الصور النمطية. ويُعد الالتزام بـأخلاقيات الذكاء الاصطناعي وضمان خصوصية البيانات أمرين أساسيين للحفاظ على ثقة المستخدمين.

لبناء نماذجك وتدريبها لمهام التوصية، توفر منصة Ultralytics بيئة شاملة لإدارة مجموعات البيانات وتدريب النماذج.