سیستم‌های توصیه‌گر (Recommender Systems) نقش حیاتی در دنیای امروز ایفا می‌کنند. این سیستم‌ها به کاربران کمک می‌کنند تا در حجم عظیمی از اطلاعات و انتخاب‌ها، محتوا و محصولاتی را پیدا کنند که احتمالاً به آن‌ها علاقه‌مند هستند. از فروشگاه‌های آنلاین و سرویس‌های پخش فیلم و موسیقی گرفته تا شبکه‌های اجتماعی و پلتفرم‌های آموزشی، سیستم‌های توصیه‌گر در همه جا حضور دارند و تجربه کاربری را بهبود می‌بخشند.

در حالی که الگوریتم‌های متعددی برای ساخت سیستم‌های توصیه‌گر وجود دارند، بسیاری از آن‌ها به ترتیب تعاملات کاربر توجه نمی‌کنند. به عبارت دیگر، آن‌ها فرض می‌کنند که ترتیب بازدیدها و خریدها مهم نیست، در حالی که در بسیاری از موارد، این ترتیب اطلاعات ارزشمندی را در خود جای داده است. به عنوان مثال، در یک سیستم توصیه‌گر آموزشی، دانشجویان معمولاً یک مسیر آموزشی را به صورت گام به گام طی می‌کنند و پیش از گذراندن دروس پیشرفته‌تر، ابتدا دروس پایه را می‌آموزند. نادیده گرفتن این ترتیب می‌تواند منجر به توصیه‌های نامناسب و غیرمفید شود.

این مقاله به بررسی یک سیستم توصیه‌گر ترتیبی می‌پردازد که با استفاده از معماری ترنسفورمرها (Transformers) و توجه به ترتیب تعاملات کاربر، سعی در ارائه توصیه‌های دقیق‌تر و مرتبط‌تر دارد. همچنین، این سیستم قادر است تعاملات ناهمگون (Heterogeneous Interactions) را نیز در نظر بگیرد، به این معنی که می‌تواند انواع مختلفی از رویدادها مانند بازدید، خرید، لایک و غیره را به صورت همزمان مدیریت کند.

این مقاله توسط مهدی سلیمان نژاد، میثم وارسته، هادی مرادی و محمد امین صادقی نوشته شده است. این محققان با تمرکز بر حوزه بازیابی اطلاعات (Information Retrieval)، به دنبال بهبود عملکرد سیستم‌های توصیه‌گر با استفاده از تکنیک‌های پیشرفته یادگیری ماشین و پردازش زبان طبیعی هستند.

زمینه تحقیقاتی این مقاله در تقاطع چندین حوزه مهم قرار دارد:

• سیستم‌های توصیه‌گر: طراحی و پیاده‌سازی سیستم‌هایی که قادر به پیشنهاد محتوای مناسب به کاربران هستند.
• یادگیری ترتیبی (Sequential Learning): مدل‌سازی داده‌های ترتیبی و استفاده از آن‌ها برای پیش‌بینی رویدادهای آینده.
• معماری ترنسفورمرها: استفاده از معماری قدرتمند ترنسفورمرها برای پردازش داده‌های ترتیبی و استخراج اطلاعات مفید.
• پردازش تعاملات ناهمگون: مدیریت و تحلیل انواع مختلفی از تعاملات کاربر با سیستم.

چکیده این مقاله به این صورت است:

«در حالی که الگوریتم‌های قوی و آماده برای تولید برای سیستم‌های توصیه‌گر در دسترس هستند، بسیاری از این سیستم‌ها ترتیب مصرف کاربر را در نظر نمی‌گیرند. ترتیب مصرف می‌تواند بسیار مفید باشد و در بسیاری از سناریوها اهمیت دارد. یکی از این سناریوها، توصیه‌ی محتوای آموزشی است، جایی که کاربران عموماً مسیری پیشرونده به سمت دوره‌های پیشرفته‌تر را دنبال می‌کنند. محققان از شبکه‌های عصبی بازگشتی (RNNs) برای ساخت سیستم‌های توصیه‌گر ترتیبی و سایر مدل‌هایی که با توالی‌ها سر و کار دارند، استفاده کرده‌اند. سیستم‌های توصیه‌گر ترتیبی سعی می‌کنند با خواندن تاریخچه کاربر، رویداد بعدی را برای او پیش‌بینی کنند. با موفقیت گسترده ترنسفورمرها در پردازش زبان طبیعی و استفاده از مکانیزم توجه (Attention Mechanism) برای پردازش بهتر توالی‌ها، تلاش‌هایی برای استفاده از این خانواده از مدل‌ها به عنوان پایه‌ای برای نسل جدیدی از سیستم‌های توصیه‌گر ترتیبی صورت گرفته است. در این کار، با تبدیل تعاملات هر کاربر با آیتم‌ها به یک سری رویداد و قرار دادن معماری خود بر اساس ترنسفورمرها، سعی می‌کنیم استفاده از چنین مدلی را که انواع مختلفی از رویدادها را در نظر می‌گیرد، امکان‌پذیر کنیم. علاوه بر این، با تشخیص اینکه برخی رویدادها باید قبل از انواع دیگری از رویدادها رخ دهند، سعی می‌کنیم معماری را برای بازتاب این رابطه وابستگی و بهبود عملکرد مدل اصلاح کنیم.»

به طور خلاصه، این مقاله یک سیستم توصیه‌گر ترتیبی جدید را ارائه می‌دهد که از معماری ترنسفورمرها برای مدل‌سازی تعاملات کاربر استفاده می‌کند. این سیستم قادر است تعاملات ناهمگون را مدیریت کند و با در نظر گرفتن وابستگی بین رویدادها، توصیه‌های دقیق‌تری ارائه دهد. این رویکرد به ویژه در سناریوهایی مانند توصیه‌ی محتوای آموزشی که ترتیب یادگیری در آن حائز اهمیت است، مفید خواهد بود.

روش‌شناسی تحقیق در این مقاله شامل مراحل زیر است:

1. تبدیل تعاملات کاربر به توالی رویدادها: در این مرحله، تعاملات هر کاربر با سیستم به یک توالی از رویدادها تبدیل می‌شود. هر رویداد می‌تواند نشان‌دهنده یک بازدید، خرید، لایک یا هر نوع تعامل دیگری باشد.
2. استفاده از معماری ترنسفورمرها: از معماری ترنسفورمرها به عنوان پایه و اساس مدل‌سازی استفاده می‌شود. ترنسفورمرها به دلیل توانایی خود در پردازش توالی‌ها و استخراج اطلاعات مهم از آن‌ها، انتخاب مناسبی برای این منظور هستند. مکانیزم توجه در ترنسفورمرها به مدل اجازه می‌دهد تا بر روی مهم‌ترین بخش‌های تاریخچه کاربر تمرکز کند.
3. مدل‌سازی وابستگی بین رویدادها: با توجه به اینکه برخی رویدادها باید قبل از رویدادهای دیگر رخ دهند (مثلاً گذراندن یک درس پیش‌نیاز قبل از شرکت در درس اصلی)، مدل به گونه‌ای طراحی می‌شود که این وابستگی‌ها را در نظر بگیرد. این کار می‌تواند با استفاده از روش‌های مختلفی مانند افزودن اطلاعات مربوط به وابستگی به ورودی مدل یا استفاده از یک تابع زیان (loss function) خاص انجام شود.
4. ارزیابی عملکرد مدل: عملکرد مدل با استفاده از مجموعه‌ای از معیارهای ارزیابی استاندارد مانند دقت (precision)، فراخوانی (recall) و میانگین دقت میانگین (Mean Average Precision – MAP) ارزیابی می‌شود. نتایج با نتایج مدل‌های پایه (baseline models) مقایسه می‌شود تا نشان داده شود که مدل پیشنهادی عملکرد بهتری دارد.

به عنوان مثال، در سناریوی توصیه‌ی محتوای آموزشی، توالی رویدادها می‌تواند شامل گذراندن دوره‌های مختلف باشد. مدل ترنسفورمر با توجه به این توالی و وابستگی بین دوره‌ها، می‌تواند دوره‌های مناسب را برای گذراندن در آینده پیشنهاد دهد.

یافته‌های کلیدی این تحقیق عبارتند از:

• بهبود عملکرد نسبت به مدل‌های پایه: مدل پیشنهادی در این مقاله، عملکرد بهتری نسبت به مدل‌های پایه در زمینه توصیه‌گر ترتیبی دارد. این نشان می‌دهد که استفاده از معماری ترنسفورمرها و در نظر گرفتن وابستگی بین رویدادها، می‌تواند به بهبود دقت توصیه‌ها کمک کند.
• اهمیت توجه به ترتیب تعاملات: نتایج نشان می‌دهند که توجه به ترتیب تعاملات کاربر، نقش مهمی در بهبود عملکرد سیستم‌های توصیه‌گر دارد. نادیده گرفتن این ترتیب می‌تواند منجر به توصیه‌های نامناسب و غیرمفید شود.
• قابلیت مدیریت تعاملات ناهمگون: مدل پیشنهادی قادر است انواع مختلفی از تعاملات کاربر را به صورت همزمان مدیریت کند. این قابلیت به ویژه در سیستم‌هایی که دارای انواع مختلفی از رویدادها هستند، مفید است.

به طور خاص، محققان دریافتند که در نظر گرفتن وابستگی بین رویدادها (به عنوان مثال، اینکه کاربر باید قبل از دیدن یک فیلم خاص، ابتدا تریلر آن را ببیند) به طور قابل توجهی دقت توصیه‌ها را افزایش می‌دهد. این نشان می‌دهد که دانش دامنه (domain knowledge) می‌تواند نقش مهمی در بهبود عملکرد سیستم‌های توصیه‌گر داشته باشد.

این تحقیق دارای کاربردها و دستاوردهای متعددی است:

• بهبود سیستم‌های توصیه‌گر موجود: نتایج این تحقیق می‌تواند به بهبود سیستم‌های توصیه‌گر موجود در زمینه‌های مختلف مانند تجارت الکترونیک، آموزش آنلاین و سرگرمی کمک کند.
• ارائه یک چارچوب جدید برای توصیه‌گر ترتیبی: این مقاله یک چارچوب جدید برای طراحی سیستم‌های توصیه‌گر ترتیبی ارائه می‌دهد که می‌تواند توسط سایر محققان و توسعه‌دهندگان مورد استفاده قرار گیرد.
• افزایش رضایت کاربران: با ارائه توصیه‌های دقیق‌تر و مرتبط‌تر، این تحقیق می‌تواند به افزایش رضایت کاربران از سیستم‌های توصیه‌گر کمک کند.

به عنوان مثال، یک پلتفرم آموزش آنلاین می‌تواند از این مدل برای توصیه دوره‌های آموزشی مناسب به دانشجویان استفاده کند. با توجه به تاریخچه یادگیری دانشجو و وابستگی بین دوره‌ها، سیستم می‌تواند دوره‌هایی را پیشنهاد دهد که به بهترین شکل با نیازها و سطح دانش دانشجو مطابقت دارند. این امر می‌تواند منجر به یادگیری موثرتر و افزایش رضایت دانشجویان شود.

این مقاله یک سیستم توصیه‌گر ترتیبی جدید را ارائه می‌دهد که از معماری ترنسفورمرها و توجه به ترتیب تعاملات کاربر استفاده می‌کند. این سیستم قادر است تعاملات ناهمگون را مدیریت کند و با در نظر گرفتن وابستگی بین رویدادها، توصیه‌های دقیق‌تری ارائه دهد. نتایج این تحقیق نشان می‌دهد که این رویکرد می‌تواند به بهبود عملکرد سیستم‌های توصیه‌گر موجود در زمینه‌های مختلف کمک کند و منجر به افزایش رضایت کاربران شود.

با توجه به اهمیت روزافزون سیستم‌های توصیه‌گر در دنیای امروز، تحقیقات در این زمینه از اهمیت بالایی برخوردار است. این مقاله گامی مهم در جهت توسعه سیستم‌های توصیه‌گر هوشمندتر و کارآمدتر برداشته است.