تذكّر، عدّل، أم كن بسيطًا: تعلّم طرق التفاعل المثلى بين الميزات لتنبؤ معدل النقر

تنبؤ معدل النقر (Click-through Rate Prediction) يُعد إحدى المهام الأساسية في أنظمة التوصية التجارية. ويهدف هذا التنبؤ إلى تقدير احتمالية نقر المستخدم على عنصر معين بناءً على خصائص المستخدم والعنصر. وبما أن تفاعلات الميزات تُدخل عدم الخطية إلى النموذج، فإنها تُستخدم على نطاق واسع لتحسين أداء نماذج تنبؤ معدل النقر. وبالتالي، أصبحت عملية نمذجة تفاعلات الميزات موضوعًا يلقى اهتمامًا كبيرًا في كل من المجالات البحثية والصناعية. تقسيم النهج الحالية عادةً إلى ثلاث فئات: (1) الطرق البسيطة (naïve methods)، التي لا تُنمذج تفاعلات الميزات وتستعمل فقط الميزات الأصلية؛ (2) الطرق المُحفوظة (memorized methods)، التي تحفظ تفاعلات الميزات من خلال اعتبارها ميزات جديدة صريحة وتُعيّن لها تمثيلات قابلة للتدريب (embeddings)؛ (3) الطرق المُحللة (factorized methods)، التي تتعلم متجهات خفية (latent vectors) للميزات الأصلية وتنمذج تفاعلات الميزات بشكل غير مباشر من خلال دوال التحليل. أظهرت الدراسات أن نمذجة تفاعلات الميزات باستخدام أحد هذه الطرق وحدها تكون غير مثالية نظرًا للخصائص الفريدة لكل نوع من التفاعلات. ولحل هذه المشكلة، نقترح أولًا إطارًا عامًا يُسمى OptInter، والذي يُحدد الطريقة الأنسب لنمذجة كل تفاعل ميزات. ويمكن اعتبار النماذج العميقة الحديثة المتقدمة في مجال تنبؤ معدل النقر كحالات محددة ضمن إطار OptInter. ولتحقيق الوظائف المطلوبة من OptInter، نُقدّم أيضًا خوارزمية تعلّم تُتيح البحث التلقائي عن الطريقة المثلى للنمذجة. أجرينا تجارب واسعة على أربع مجموعات بيانات كبيرة. أظهرت النتائج أن OptInter يُحسن أداء أفضل النماذج الأساسية العميقة الحديثة بنسبة تصل إلى 2.21%. وبالمقارنة مع الطريقة المُحفوظة، التي تتفوق أيضًا على النماذج الأساسية، تمكّنا من تقليل عدد المعلمات بنسبة تصل إلى 91%. بالإضافة إلى ذلك، أجرينا دراسات تحليلية (ablation studies) متعددة لاستكشاف تأثير المكونات المختلفة في OptInter. وأخيرًا، نقدّم مناقشات قابلة للتفسير حول نتائج OptInter.