NextFilm تصف نموذجاً لتوصية الأفلام: البداية الباردة (cold start) ومتجه الذوق وطبقة GPT

وصف صاحب مشروع NextFilm كيفية بناء نظام توصية بالأفلام لمستخدمين لا يُعرف عنهم شيء تقريباً عند البداية. وبدلاً من قوائم الأنواع السينمائية البسيطة، يقترح مسار عمل (pipeline) هجيناً: جمع الإشارات الأولى، وبناء متجه الذوق، ومطابقته مع الأنماط الجماعية، ثم الاستعانة بـ GPT في المرحلة الأخيرة فقط.

لماذا لا تكفي الأنواع السينمائية

تبدأ المشكلة من أن النوع نفسه لا يضمن شيئاً. فقد يحب مشاهدان أفلام الخيال العلمي، لكن أحدهما يريد قصصاً بطيئة الإيقاع وفلسفية، بينما يفضّل الآخر حبكة مكثفة ومشاهد استعراضية. وتزداد المهمة تعقيداً عند الترشيح لثنائي: فالمطلوب ليس مجرد «فيلم شائع»، بل خيار لا يكون عشوائياً بالنسبة للطرفين. لذلك تصلح قوائم «ماذا نشاهد هذا المساء» كواجهة عرض، لكنها تفشل سريعاً كتوصية شخصية.

يعتمد المؤلف في NextFilm على تجربة المشاهدة الفعلية لا على الأنواع. فعند البداية، يحتاج النظام إلى معرفة ما شاهده الشخص بالفعل، وما قيّمه تقييماً مرتفعاً، وما لم يشاهده أصلاً. وهذا أمر حاسم في cold start: فبدون هذا التمييز يخلط النموذج بسهولة بين غياب البيانات وردّ الفعل السلبي، ويبني استنتاجات على فراغ. وهذا السياق تحديداً هو ما يحدد مدى المخاطرة في اقتراح أفلام بديهية أكثر من اللازم أو سبق للمستخدم مشاهدتها.

يجب أن يفهم النظام لا «ما الذي يعجب المستخدم» فحسب، بل أيضاً ما هي

تجربة المشاهدة التي يمتلكها.

كيف يعمل مسار العمل

بعد التقييمات الأولى، ينتقل النموذج من قائمة المشاهَد إلى ملف شخصي أدق. يُفكَّك الذوق إلى سمات دقيقة: الإيقاع، والنبرة العاطفية، والعمق، والطابع الاستعراضي، وألفة الشكل الفني، وكثافة الحبكة. وهكذا ينشأ متجه تفضيلات داخلي يفسّر لماذا قد يبدو فيلمان من النوع نفسه متباعدين جداً بالنسبة لشخص بعينه. ويمنح ذلك النموذج أساساً أكثر قابلية للتفسير لصياغة أولى الفرضيات الدقيقة.

• يحدد المستخدم أولاً الأفلام التي شاهدها ويضع تقييماته الأولى
• يبني النظام ملفاً أولياً ويفصل الإشارات القوية عن الإشارات المشوِّشة
• ثم يتشكل متجه الذوق من مجموعة سمات، لا من الأنواع السينمائية وحدها
• بعد ذلك يطابق النموذج هذا الملف مع أنماط MovieLens 25M
• وبعد ترتيب المرشحين، تُصقل النتائج لعرضها بصورتها النهائية

وتمثل الإشارة الجماعية طبقة مستقلة في هذا التصميم. يستخدم المؤلف MovieLens 25M الذي يضم 25 مليون تقييم لأكثر من 62 ألف فيلم. والمنطق بسيط: إذا أعجبت المستخدم مجموعة معينة من الأفلام، ينظر النظام إلى ما يعجب باستمرار أصحاب الأنماط المشابهة. وهذه الطبقة ليست بديلاً عن الملف الشخصي، بل وسيلة لجعل التوصيات أكثر ثباتاً وتقليل نسبة التطابقات العرضية. وبهذه الطريقة يكتسب النظام الهجين نطاقاً واسعاً دون أن يفقد التخصيص بالكامل.

أين يأتي دور GPT

لا يحل GPT هنا محل نظام التوصية نفسه. فهو يدخل بعد مراحل جمع الإشارات وبناء الملف الشخصي والترتيب الأساسي. ودوره إعادة ترتيب المرشحين، وتجميع النتائج في مجموعات، وشرح سبب ظهور القائمة بهذا الشكل للمستخدم. وهذا النهج مهم لأن LLM قد يحسّن انطباع المستخدم عن النتائج، لكنه لا يصلح ضعف الصلة الأساسية إذا كان الترتيب الأولي مبنياً بشكل سيئ. فهو في الواقع مسؤول عن تغليف النتيجة لا عن مصدرها.

وللتصميم حدوده أيضاً. فأكثر مراحله حساسية هي الإعداد الأولي (onboarding): حتى تصبح التوصيات مفيدة، على المستخدم الجديد أن يقضي وقتاً في وضع التقييمات الأولية. وهناك كذلك خطر الانحياز نحو الأفلام الشائعة جداً إذا بدأت البيانات الجماعية تطغى على الملف الشخصي. إضافة إلى ذلك، تتغير الأذواق بمرور الوقت، لذا يلزم تحديث النموذج بإشارات جديدة بدلاً من اعتبار الملف الشخصي ثابتاً بعد الدخول الأول. وبدون التحديثات، سيبدأ النظام بسرعة في تكرار نفسه وتفقد دقته.

ماذا يعني ذلك

تُظهر تجربة NextFilm بوضوح كيف يتغير دور LLM في منتجات التوصية. فالقيمة الرئيسية لا تزال تنبع من البيانات والترتيب والتعامل الدقيق مع cold start، بينما يصبح GPT طبقة للواجهة والتفسير لا «سحراً». وبالنسبة لخدمات الوسائط، هذا مرجع عملي: ابنِ الإشارة أولاً، ثم أضف الطبقة التوليدية فوقها. وقد يكون هذا النهج مفيداً لا لخدمات الأفلام وحدها، بل لأي منتج تحتاج توصياته إلى شرح للمستخدم.