لماذا تهم أنظمة التوصية خارج شركات التقنية الكبرى؟
تهم أنظمة التوصية أي شركة لديها منتجات أكثر مما يستطيع العميل تصفحه، لأن ما يعرضه النظام أولًا يحدد إلى حد كبير ما يراه العملاء ويشترونه وما يُعاد تزويد المخزون به.
لنفترض وجود متجر إلكتروني خيالي لمستلزمات الأشغال اليدوية اسمه ويلومير كرافتس، يضم نحو 4,000 منتج وفريقًا من 15 شخصًا. لدى مسؤولة التجارة الإلكترونية، هانا، شكوى من فريق المشتريات وتقرير من الوكالة التي أعدّت لوحة 'قد يعجبك أيضًا'. تقول ملاحظاتها: 'تُوصى المنتجات الـ40 نفسها في كل صفحة تقريبًا. تشكيلة خيوط الربيع الجديدة (220 صنفًا) لم تحصل على أي ظهور تقريبًا في التوصيات خلال 3 أسابيع. يحصل العملاء العائدون على اقتراحات جيدة، بينما يحصل الزوار الجدد على اقتراحات تبدو عشوائية. تقول العلامات التجارية للصنّاع المستقلين إنها لا تظهر أبدًا.' عليها أن تشرح للمؤسس ما يحدث قبل أن تطلب من الوكالة إجراء تغييرات.
كيف تحدد أنظمة التوصية ما تعرضه؟
تستخدم معظم أنظمة التوصية التصفية القائمة على المحتوى، أو التصفية التعاونية، أو مزيجًا منهما. ويكمن الفرق في ما إذا كانت تقارن العناصر ببعضها أم الأشخاص ببعضهم.
التصفية القائمة على المحتوى
يوصي بعناصر مشابهة لما يعجب الشخص بالفعل، باستخدام خصائص العناصر. فالعميل الذي اشترى صوف ميرينو سميكًا بلون أزرق مخضر تُعرض عليه أصواف سميكة أخرى وخيوط باللون نفسه. لا يحتاج إلى بيانات عن العملاء الآخرين، لكن جودة أدائه تعتمد على خصائص العناصر التي حددها شخص ما، ونادرًا ما يفاجئ الناس بشيء خارج ذوقهم المعتاد.
الترشيح التعاوني
يوصي بما أعجب أشخاصًا مشابهين. فإذا كان العملاء الذين اشتروا عدة حياكة للمبتدئين قد اشتروا بعدها غالبًا علامات للغرز وكتابًا لنماذج الحياكة، تُعرض هذه المنتجات على مشترٍ جديد للعدة. يمكنه إيجاد اقتراحات غير متوقعة لكنها مفيدة، ولا يحتاج إلى أوصاف للعناصر، لكنه يعتمد على سجل من التفاعلات.
الأنظمة الهجينة
اجمع بين النهجين، وغالبًا مع قواعد بسيطة مثل استبعاد المنتجات غير المتوفرة، بحيث يعوّض كل نهج نقاط ضعف الآخر.
ما هي مشكلة البداية الباردة؟
مشكلة البداية الباردة هي صعوبة تعامل نظام التوصيات مع العناصر الجديدة والمستخدمين الجدد لعدم وجود سجل تفاعلات خاص بهم. والتصفية التعاونية تحديدًا لا تستطيع تحديد موضع عنصر لم يشتره أو ينقر عليه أحد بعد، وهذا بالضبط ما حدث لتشكيلة خيوط الربيع لدى ويلومير، كما أنها لا تملك معلومات كافية عن الزائر الذي يأتي للمرة الأولى.
من الحلول الشائعة الاعتماد على التشابه القائم على المحتوى للمنتجات الجديدة، وتقدير خصائص المنتج الجديد استنادًا إلى منتجات أخرى من الفئة نفسها أو من المصنّع نفسه، وعرض مجموعة متنوعة عمدًا من المنتجات الرائجة للزوار الجدد، وطرح سؤال أو سؤالين سريعين عن التفضيلات متى كان ذلك مناسبًا للمتجر.
كيف تنشأ حلقات التغذية الراجعة ومشكلات الإنصاف؟
تنشأ حلقة تغذية راجعة عندما يتعلّم النظام من النقرات على العناصر التي اختار عرضها، فتحصل العناصر التي تُعرض كثيرًا على نقرات أكثر، مما يؤدي إلى عرضها بوتيرة أكبر. وبمرور الوقت، تطغى مجموعة صغيرة من المنتجات الشائعة على سائر المنتجات، كما في حالة منتجات ويلومير البالغ عددها 40، بينما لا تحصل العناصر التي لا تُعرض أبدًا على فرصة لإثبات جدارتها.
تترتب على ذلك مباشرة تساؤلات عن الإنصاف. فإذا بدأت منتجات الصنّاع المستقلين بسجل تفاعل أقل، فقد تُبقيها هذه الحلقة غير ظاهرة بغض النظر عن جودتها، ويخسر العملاء خيارات متاحة لهم. ومن طرق مواجهة ذلك تخصيص بعض مواضع التوصية للمنتجات الأحدث أو الأقل ظهورًا، وقياس الظهور حسب الصانع والفئة بدلًا من الاكتفاء بإجمالي النقرات، وتحديث بيانات تدريب النموذج حتى لا يتعلم من اختياراته السابقة وحدها.
كيف يبدو الطلب الموجّه إلى الوكالة في صورته الضعيفة وفي صورته المحسّنة؟
يقول الطلب الضعيف: 'التوصيات لا تحقق المطلوب، يُرجى تحسينها.' قد تكتفي الوكالة بإعادة التدريب على مزيد من بيانات النقر من النوع نفسه، مما يعزز الحلقة.
يقول طلب محسّن: 'يبدو أن لوحة التوصيات لدينا تعتمد على سجل المشتريات وحده. يُرجى (1) استخدام خصائص المنتجات، مثل الألياف والوزن واللون والحرفة، للتوصية بالمنتجات الجديدة إلى أن يتوافر لها سجل كافٍ؛ (2) عرض مجموعة متنوّعة من مختلف الفئات للزوّار الجدد بدلًا من قائمة واحدة بالأكثر مبيعًا؛ (3) تخصيص موضعين من أصل ثمانية مواضع لمنتجات قلّ ظهورها خلال آخر 30 يومًا؛ (4) تقديم تقرير شهري عن حصة مشاهدات التوصيات بحسب الصانع وبحسب عمر المنتج؛ و(5) اختبار التغييرات بمقارنتها باللوحة الحالية عبر تقسيم الزوّار إلى مجموعتين، مع قياس الطلبات لا النقرات فقط.' تستطيع هناء الآن الحكم على ما إذا كان العمل قد أُنجز.
كيف تتحقق من أن التوصيات تحقق النتائج المطلوبة؟
تحقق من التوصيات بالنظر إلى ما يتجاوز النقرات، مثل الطلبات والمرتجعات ومدى توزيع الظهور على المنتجات والموردين. فقد تضر بالعمل لوحة توصيات تزيد النقرات على بضعة منتجات رائجة بينما تحجب تشكيلات جديدة. قارن التغييرات بمجموعة ضابطة من الزوار الذين يرون النسخة القديمة، لأن التوصيات المعروضة خلال التخفيضات أو العطلات ستبدو أفضل أيًا كان النموذج.
ما الأخطاء الشائعة في أنظمة التوصية؟
الخطأ الأكثر شيوعاً هو التحسين لزيادة النقرات وحدها، مما يكافئ العناصر اللافتة للانتباه ويعزز حلقة التغذية الراجعة. ومن الأخطاء الأخرى: إطلاق تشكيلة جديدة دون سمات تصف محتواها، فتواجه مشكلة البداية الباردة، والحكم على النجاح بمقارنة ما قبل التغيير وما بعده دون مجموعة ضابطة، وتجاهل المورّدين أو الفئات التي لا تظهر أبداً، واستخدام البيانات الشخصية للتوصيات دون إبلاغ العملاء بذلك في إشعار الخصوصية.
أين يقع هذا الدرس ضمن Tosheo.ai؟
هذا الدرس جزء من فئة تعلم الآلة في دورة تعلم الآلة، ويأتي بعد دروس كيفية تعلم النماذج وتقييمها. في Tosheo.ai، تطلب منك المهمة التطبيقية كتابة موجز لتحسين توصيات متجر افتراضي، وتتحقق ملاحظات التقييم وفق دليل المعايير من تناول مشكلة البداية الباردة وحلقات التغذية الراجعة والإنصاف والاختبار العادل. إنه أساس مهني لإعداد موجز متطلبات هذا العمل وتقييمه؛ أما بناء نظام توصيات برمجيًا فهو جزء من مسار البرمجة الاختياري.
المصادر والنطاق
Google للمطورين، دورة أنظمة التوصية: نظرة عامة على توليد المرشحين (تم التحقق في 19 أكتوبر 2026) ↗
Google للمطورين: مزايا التصفية المستندة إلى المحتوى وعيوبها (تم التحقق في 19 أكتوبر 2026) ↗