تعزيز توصيات الرسم البياني المعرفي: نموذج RKGnet بتقنيات التعلم العميق المعزز

هل تبحث عن فيلم جديد؟ الذكاء الاصطناعي قد يكون لديه اقتراح أفضل

كم مرة وجدت نفسك تتصفح بلا نهاية منصات البث الرقمي، غير قادر على الاختيار من بين الكم الهائل من الخيارات؟ أو ربما كنت تحاول العثور على كتاب جديد يثير اهتمامك، ولكنك ضعت في بحر العناوين؟ أنظمة التوصية (Recommendation Systems) – وهي التقنية التي تقترح عليك المنتجات أو المحتويات التي قد تعجبك – أصبحت جزءًا لا يتجزأ من حياتنا الرقمية. ولكن، هل هذه الأنظمة مثالية؟ غالبًا ما تواجه هذه الأنظمة تحديات مثل “مشكلة البداية الباردة” (Cold Start Problem) – أي صعوبة في تقديم توصيات للمستخدمين الجدد أو للعناصر الجديدة التي لا تملك بيانات كافية – ونقص الشفافية في كيفية اتخاذها للقرارات.

منهجية

باحثون بقيادة تشو جيه (Zhou J.) قاموا بتطوير خوارزمية جديدة تهدف إلى التغلب على هذه التحديات. أطلقوا على هذه الخوارزمية اسم RKGnet، وهي إطار عمل للتوصية يعتمد على “الرسم البياني المعرفي” (Knowledge Graph) وتقنيات “التعلم المعزز العميق” (Deep Reinforcement Learning). الرسم البياني المعرفي هو ببساطة طريقة لتمثيل المعرفة على شكل شبكة من الكيانات (Entities) – مثل الأفلام، الكتب، الممثلين، المؤلفين – والعلاقات بينها (Relationships) – مثل “فيلم من إخراج”، “كتاب كتبه”، “ممثل قام ببطولة”. أما التعلم المعزز، فهو نوع من الذكاء الاصطناعي حيث يتعلم النظام اتخاذ القرارات من خلال التجربة والخطأ، بهدف تحقيق أقصى قدر من المكافأة.

يعمل RKGnet من خلال استكشاف تفضيلات المستخدم داخل الرسم البياني المعرفي بشكل ديناميكي. بدلاً من مجرد النظر إلى العناصر التي أعجب المستخدم بها في الماضي، تحاول الخوارزمية فهم “الاهتمامات الكامنة” (Latent Interests) للمستخدم على مستويات مختلفة. على سبيل المثال، قد لا يكون المستخدم مهتمًا بفيلم معين، بل بالنوع (Genre) الذي ينتمي إليه، أو بالمخرج، أو بالممثلين المشاركين فيه. من خلال استخدام التعلم المعزز، يختار RKGnet بشكل استباقي الكيانات ذات الصلة داخل الرسم البياني المعرفي، ويعدل استراتيجية التوصية الخاصة به بشكل مستمر لتحسين الدقة.

نتائج

أظهرت التجارب التي أجراها الباحثون أن RKGnet يتفوق على الطرق الحالية في مجال أنظمة التوصية. لم تحقق الخوارزمية الجديدة دقة أعلى في التوصيات فحسب، بل أظهرت أيضًا قدرة أكبر على التعامل مع مشكلة البداية الباردة. وهذا يعني أنها قادرة على تقديم توصيات جيدة حتى للمستخدمين الجدد أو للعناصر الجديدة التي لا تملك الكثير من البيانات.

الأهم من ذلك، أن RKGnet توفر مستوى أعلى من “الشفافية” (Interpretability) مقارنة بالعديد من أنظمة التوصية الأخرى. بمعنى آخر، يمكن فهم سبب تقديم توصية معينة للمستخدم. هذا أمر بالغ الأهمية لبناء الثقة في النظام، والسماح للمستخدمين بالتحكم في تجربتهم. على سبيل المثال، يمكن للنظام أن يشرح للمستخدم: “لقد أوصيت بهذا الفيلم لأنك استمتعت بأفلام أخرى من نفس المخرج، ولأن الفيلم يحتوي على ممثلين أعجبتك أعمالهم في الماضي”.

آثار

تفتح هذه النتائج آفاقًا واسعة لتطبيقات أنظمة التوصية في مختلف المجالات. فبالإضافة إلى منصات البث الرقمي، يمكن استخدام RKGnet في التجارة الإلكترونية، ووسائل التواصل الاجتماعي، وحتى في مجال التعليم. تخيل نظامًا تعليميًا يقترح عليك الدورات التدريبية أو المواد التعليمية التي تتناسب مع اهتماماتك وقدراتك، بناءً على فهم عميق لملفك المعرفي.

يشير الباحثون إلى أن RKGnet يمثل خطوة مهمة نحو تطوير أنظمة توصية أكثر ذكاءً وفعالية وشفافية. من خلال الجمع بين قوة الرسوم البيانية المعرفية والتعلم المعزز، يمكننا بناء أنظمة لا تقدم لنا فقط توصيات جيدة، بل تساعدنا أيضًا على اكتشاف أشياء جديدة ومثيرة للاهتمام، وتوسيع آفاقنا المعرفية. هذا التطور قد يغير الطريقة التي نتفاعل بها مع المعلومات والمحتوى الرقمي في المستقبل.

Reference

Zhou J. (2026). Enhancing knowledge graph recommendations through deep reinforcement learning. Scientific Reports, 16(1), 3076-3076.

DOI: 10.1038/s41598-025-31109-8