A Multidisciplinary Approach to Enhancing the Quality of Collaborative Filtering Recommender Systems
Artificial intelligence-driven recommender systems
تحدث تحولًا كبيرًا في مجال e-commerce من خلال أتمتة المهام التي كان يؤديها الموظفون البشريون تقليديًا، مثل المساعدة في المبيعات، واختيار المنتجات، واتخاذ القرارات المتعلقة بالمخزون. ومن خلال تطبيق أساليب machine learning، تسهم هذه الأنظمة في تحسين دقة القرارات، وقابلية التوسع، وتجربة العملاء.
خلال السنوات الأخيرة، تم إحراز تقدم ملحوظ في تحسين أداء collaborative filtering recommender systems (CFRSs)، خاصة من خلال تحسين مؤشرات الأداء مثل recall و normalized discounted cumulative gain (NDCG). ومع ذلك، لا تزال هناك عدة تحديات جوهرية تحد من الجودة الشاملة والموثوقية وقابلية التعميم لهذه الأنظمة. وتشمل هذه التحديات نقص diversity و novelty في التوصيات، ومخاوف fairness، وضعف تضمين عناصر long-tail items، ومشكلة cold-start problem، إضافة إلى مشكلات reproducibility و evaluation overfitting. ولذلك تدعو هذه الدراسة إلى تطوير مقاربات شاملة جديدة تتجاوز مقاييس التحسين التقليدية مثل recall و NDCG.
تتميز هذه الدراسة بكونها تعتمد multidisciplinary approach يجمع بين مبادئ systems engineering و software engineering ومنهجية TRIZ في تصميم وتحليل وتحسين CFRSs. يوفر systems engineering منظورًا شموليًا لنمذجة وتحسين تفاعلات user-item interactions، بينما يساهم software engineering بأساليب منهجية لتحليل وتصميم وتحسين المكونات الوظيفية لأنظمة التوصية. إضافةً إلى ذلك، تدعم منهجية TRIZ تطوير حلول مبتكرة قائمة على AI من خلال تحديد ومعالجة technical contradictions التي تؤثر على أداء أنظمة التوصية.
ومن أبرز إسهامات هذا البحث تقديم multidisciplinary framework مقترح تم تطبيقه لتحسين جودة CFRSs باستخدام أساليب machine learning وموارد high-performance computing (HPC)، وتحديدًا البنية التحتية للحوسبة الفائقة المقدمة من Digital Research Alliance of Canada (DRAC) و Compute Canada. وقد أتاح هذا الدعم الحاسوبي إجراء تجارب واسعة النطاق، وتدريب النماذج، وتحسينها، وتقييمها، مما عزز من صرامة البحث وقابليته لإعادة الإنتاج وقابليته للتوسع.
ولتوجيه عملية التحسين، تعتمد الدراسة أيضًا معيار ISO/IEC 25010:2011 كإطار شامل لتقييم الجودة. يتيح هذا المعيار تقييم خصائص جودة مهمة مثل reliability و usability و performance efficiency و privacy، مما يضمن أن CFRSs المطورة تلبي معايير عالية لجودة الأنظمة. وقد أظهرت التقييمات التجريبية باستخدام بيانات e-commerce datasets حقيقية تحسنًا ليس فقط في دقة التوصيات، بل أيضًا في diversity و coverage والجودة الكلية للنظام.
بشكل عام، يسهم هذا البحث في تطوير الحالة المعرفية لتقنية CFRS من خلال تقديم حلول مبتكرة وقوية ومتمحورة حول المستخدم لتطبيقات e-commerce. كما يوفر multidisciplinary framework المقترح أساسًا قويًا للأبحاث والتطوير المستقبلي في مجال recommender systems. وقد خضعت نتائج هذا العمل لمراجعة الأقران وتم نشرها في ثلاث مجلات علمية تابعة لـ Springer، بما في ذلك مجلات مصنفة ضمن Q1 و Q2، مما يسهم في دعم البحث الأكاديمي والتطبيقات العملية الهادفة إلى تطوير collaborative filtering recommender systems ذات جودة أعلى.