التعلم التمثيلي الخفيف لتحسين التوصية الفعّالة والقابلة للتوسع

على مدى العقود الماضية، أصبح التوصية عنصراً حاسماً في العديد من الخدمات عبر الإنترنت مثل بث المحتوى الإعلامي والتجارة الإلكترونية. وقد أدت التطورات الحديثة في الخوارزميات وطرق التقييم والبيانات إلى تحسين مستمر للحالة الراهنة من الأداء. ومع ذلك، لا يزال هناك الكثير من العمل الذي يتعين إنجازه لجعل هذه الأساليب قادرة على التوسع ليواكب حجم الإنترنت.توفر الإعلانات عبر الإنترنت بيئة اختبار فريدة للتوصية على نطاق واسع. كل يوم، يتفاعل ملايين المستخدمين بسرعة مع ملايين المنتجات في الوقت الفعلي. ويجب أن تعمل الأنظمة التي تعالج هذا السيناريو بموثوقية على نطاق واسع. نقترح نموذجاً فعالاً (يُعرف بـ LED، أي مُشفّر-مُفكّك خفيف الوزن) يحقق توازناً جديداً بين التعقيد والتوسع والأداء. وتحديدًا، نُظهر أن دمج التحليل المصفوفي الضخم مع التحسين الخفيف للتمثيلات (embedding) يؤدي إلى أداء متميز على نطاق واسع. كما نقدم وصفاً مفصلاً لهيكل النظام، ونُثبت تشغيله على مدى شهرين بحجم الإنترنت. ويتيح تصميمنا خدمة مليارات المستخدمين عبر مئات الملايين من العناصر في بضع مللي ثوانٍ باستخدام الأجهزة القياسية.