المشكلة: إشارات مختلفة تتقادم بسرعات مختلفة
لم تعد أنظمة التوصية متعددة الوسائط تعتمد منذ زمن طويل على سجل النقرات وحده. فهي تخلط بتفاعلات «المستخدم — العنصر» محتوى العنصر نفسه: الوصف، الصورة، الصوت. المنطق بسيط — فكلما زادت قنوات المعلومات، زادت دقة التنبؤ. لكن الواقع أكثر تعقيدًا: مساهمة كل قناة ليست ثابتة، بل تتغير بمرور الوقت، وبسرعة خاصة بها.
يسمي مؤلفو العمل arXiv:2608.10983 (Pengyu Zhang، Yangqin Jiang، Klim Zaporojets، Congfeng Cao، Paul Groth؛ النسخة الأولى — 11 أغسطس 2026، والثانية — 24 أغسطس) هذه الظاهرة modality time-scale mismatch — عدم تطابق المقاييس الزمنية للوسائط. ومثالهم: مع اقتراب عيد الحب، عند اختيار الشوكولاتة يقرأ الناس المكونات أقل وينظرون أكثر إلى التغليف والمرافقة الصوتية لبطاقة المنتج. تفقد السمات النصية وزنها، بينما تكتسب السمات البصرية والصوتية وزنًا. وبعد أسبوعين تتغير النسبة مرة أخرى.
من هذه الملاحظة تنشأ مهمتان منفصلتان. الأولى: إيقاع سلوك الناس مختلف، فأحد المستخدمين يحتاج نسبة معينة من الوسائط، وآخر يحتاج نسبة مختلفة تمامًا. والثانية، وهي أقل وضوحًا: الوسيط الذي فقد صلاحيته لا يتوقف عن المساعدة فحسب — بل يبدأ في الإضرار بنشاط، إذ يلقي في النموذج إشارات قديمة ومضللة.
TimeRoute: توجيه مخصص لكل مستخدم
حل المهمتين مجتمع في معمارية انتشارية واحدة — TimeRoute. وجوهرها هو التخلي عن معاملات الدمج الشاملة التي ظلت معيارًا لسنوات: أن النص يزن دائمًا 0.4، والصورة 0.35، والباقي تفاصيل ثانوية.
توزيع شخصي بدلًا من أوزان مشتركة
العنصر الأساسي هو الموجّه الزمني للوسائط. فهو يجمع سلوك مستخدم معين في ملف زمني مدمج ويحوّله إلى توزيع شخصي لأوزان الوسائط. أي أن سؤال «إلى ماذا ننظر أولًا هنا» لا يُحل عالميًا للنظام بأكمله، بل بشكل منفصل لكل ملف سلوك زمني.
أفقان لإزالة الضوضاء
الجزء الثاني هو المُعيد البنائي الانتشاري للرسم البياني. يُغذّى الملف الزمني نفسه فيه عبر Feature-wise Linear Modulation (FiLM)، وتُقسَّم إزالة الضوضاء إلى مسارين من الرؤوس: طويل الأمد وقصير الأمد. فالاتجاهات البطيئة والاندفاعات السريعة تُعالَج بفرعين مختلفين، وهذا جوهري — فخلطها في قناة واحدة يعني فقدان بالضبط ذلك التمييز الذي من أجله بدأ كل شيء.
لماذا نحتاج الانتشار تحديدًا هنا؟ لأنه يتيح تصفية الحواف الوسيطية قبل أن تدخل الرسم البياني للانتشار. فالارتباط القديم لا يُضعَف بأثر رجعي — بل لا يُبنى من الأساس. وهذا نهج مختلف جوهريًا عن ترجيح رسم بياني جاهز بالفعل.
التجارب: ثلاث مجموعات بيانات، عشر تشغيلات
اختبر المؤلفون النظام على ثلاث مجموعات بيانات — مقاطع فيديو قصيرة من TikTok، وAmazon-Baby، وAmazon-Sports. وكل نتيجة مُتوسَّطة على عشر تهيئات عشوائية، وهو أمر صارم إلى حد كبير لمعايير التوصية: فالتشتت بين التشغيلات عادة ما يلتهم نصف التحسن هنا.
التحسينات مقارنة بالنماذج الأساسية القوية مستقرة عبر Recall@K وPrecision@K وNDCG@K. وأبرز نتيجة مسجلة — نمو يصل إلى 9.8% في P@20 على Amazon-Baby. والمهم أن الزيادة ليست لمرة واحدة ولا مرتبطة بمقياس واحد: بل تظهر عبر مجموعة القياسات بأكملها.
Attribution: فحص الآليات، وليس الأرقام فقط
جزء منفصل من العمل هو دراسات attribution المضبوطة. وهي محاولة للإجابة عن سؤال غالبًا ما يبقى خارج الصورة: ما الذي حقق الزيادة بالضبط — الفكرة المطروحة أم مصادفة عشوائية في المعمارية؟
جاءت الاستنتاجات صارمة. فالتحسينات تتطلب في آن واحد آليات جديدة ومدخلًا زمنيًا. فإذا أُعطي الملف الزمني نفسه لهيكل خلفي عادي دون تغيير إجراء التوجيه، فلن يكون هناك مكسب. وإذا قُدِّم للموجّه ضوضاء عشوائية، فستكون النتيجة ليست أفضل من الحذف الكامل للموجّه من النموذج.
وبعبارة أبسط، ما يعمل ليس مجرد وجود بيانات زمنية في النظام، بل التركيبة المحددة «ملف → توزيع الوسائط → إعادة بناء انتشارية موجَّهة». أزل أي عنصر — تنهار البنية.
ماذا يعني هذا عمليًا
الفكرة الرئيسية للعمل تتجاوز حدود التوصية. فالتعدد الوسيطي يُنظر إليه عادةً على أنه تراكم: أضفنا مصدر بيانات آخر — فتحسّن الأداء. لكن TimeRoute يذكّرنا بأن المصادر تتنافس فيما بينها، وأن نسبتها هي كمية قابلة للضبط تمامًا مثل أي أوزان في النموذج.
الاستنتاج العملي الثاني يتعلق بالتقادم. ففي أنظمة التوصية جرت العادة على مكافحة الإشارات القديمة على مستوى تفضيلات المستخدم — بإعادة حساب السجل، ونسيان النقرات القديمة. وهنا تُرفع المشكلة نفسها إلى مستوى الوسائط: فقد يتقادم ليس ذوق الشخص، بل صلاحية قناة معلومات بأكملها. ومن المنطقي مكافحة ذلك عند مدخل الرسم البياني، لا بعد أن يكون القمامة قد انتشرت في البنية كلها.
النقطة الثالثة هي تخصيص التوزيع. ففكرة أن نسب الوسائط يجب أن تُستمد من الملف الزمني لشخص معين، لا أن تُحدَّد مرة واحدة للمنصة بأكملها، تبدو قابلة للنقل. ويمكن تطبيق المبدأ نفسه حيث تلتقي إشارات غير متجانسة: البحث، وترتيب التدفق، والكتالوجات المختلطة بحسب نوع المحتوى. وقد نشر المؤلفون الكود، لذا فاختبار النهج على بياناتك أمر واقعي تمامًا.
