موسوعة عربية للمعرفة التقنية والعلمية الموثقة

ما هي خوارزمية التوصية (Recommendation Algorithm)؟
خلاصة سريعة: خوارزمية التوصية نظام يحسب احتمال اهتمام المستخدم بعنصر داخل مجموعة كبيرة، ثم يرتب ما يعرضه له. تعتمد على إشارات صريحة، كالإعجاب والحفظ، وإشارات ضمنية، كمدة المشاهدة والتخطي، وتمر بمرحلتين: استدعاء مرشحين ثم ترتيبهم. التوصية ليست حكمًا على قيمة المحتوى، بل تقدير لتشابه سلوكك مع سلوك آخرين ومع تاريخك.
ما هي خوارزمية التوصية؟
خوارزمية التوصية (Recommendation Algorithm) مجموعة قواعد ونماذج تُرشّح عناصر من كتالوج واسع، ثم تختار ما يُعرض للمستخدم وترتبه. وتختلف عن محرك البحث في نقطة البداية: البحث ينتظر استعلامًا صريحًا، أما التوصية فتبدأ من سلوك سابق وسياق حالي، وتجيب عن سؤال لم يُطرح بعد: ما الذي قد يهم هذا المستخدم الآن؟
وتظهر في أشكال كثيرة: صفحة رئيسية تعرض أفلامًا، وقائمة تشغيل تُبنى تلقائيًا، واقتراحات منتجات، وترشيح مقالات أو تطبيقات. وهي من تطبيقات الذكاء الاصطناعي الأقرب إلى الاستخدام اليومي، لأنها تعمل في الخلفية دون أن يلاحظها المستخدم، وتؤثر في ما يراه قبل أن يبحث عن شيء محدد.
ما الإشارات التي تعتمد عليها خوارزمية التوصية؟
الإشارات هي المواد الخام التي يُبنى عليها التقدير، وتنقسم إلى خمس مجموعات:

- إشارات صريحة: تقييم بالنجوم، أو إعجاب، أو حفظ، أو متابعة، أو إبلاغ عن محتوى لا يهم.
- إشارات ضمنية: نقرة، ومدة مشاهدة، ونسبة إكمال، وتخطٍّ سريع، وتمرير، وإعادة تشغيل.
- إشارات العنصر: الوسوم، والنص، والصوت، واللغة، والحداثة، ومن أنتجه.
- إشارات السياق: نوع الجهاز، والوقت، واللغة، والموقع التقريبي، ونوع الاتصال.
- إشارات العلاقة: ما شابهه المستخدمون، وما شاهده المستخدم نفسه في الجلسات السابقة.
والإشارة الضمنية أصعب في التفسير من الصريحة. فنقرة سريعة قد تعني فضولًا لا إعجابًا، ومشاهدة كاملة قد تعني اهتمامًا أو مجرد ترك الشاشة تعمل. ولهذا تُوزَن الإشارات ولا تُؤخذ على قيمتها الظاهرة، وتُختبر النماذج على سلوك لاحق لا على الإشارة التي دُرّبت عليها.
وتُضاف إلى ذلك الإشارات السلبية: التخطي الفوري، والإبلاغ، وإغلاق التطبيق. وهي قليلة العدد لكنها عالية الدلالة، لأنها تقول ما لا يريده المستخدم صراحة. والنظام الجيد يوازن بين ما يجذب النقرة وما يُبقي الرضا بعدها. ويجمع الشكل 1 الإشارات الرئيسية التي تعتمد عليها التوصية.

كيف تُرتّب التوصيات؟ من الاستدعاء إلى الترتيب
معظم الأنظمة الكبيرة تعمل على مرحلتين أو ثلاث. الأولى الاستدعاء (Retrieval): اختيار مئات أو آلاف المرشحين من ملايين العناصر بطرق سريعة، مثل تشابه العناصر أو التاريخ الحديث. والثانية الترتيب (Ranking): نموذج أدق يحسب درجة لكل مرشح. ثم تأتي مرحلة إعادة الترتيب لضبط التنويع والحداثة والضوابط.
| المرحلة | ما يحدث فيها | سبب وجودها |
|---|---|---|
| الاستدعاء | تضييق ملايين العناصر إلى مئات المرشحين | السرعة قبل الدقة |
| الترتيب | حساب درجة أدق لكل مرشح | مطابقة أفضل للسلوك |
| إعادة الترتيب | تنويع النتائج وضبط الحداثة والضوابط | تجربة لا تكرر نفسها |
وهذا التقسيم ليس تفصيلًا هندسيًا بعيدًا عن المستخدم. فسرعته هي ما يجعله يفتح التطبيق فيحصل على قائمة قبل أن يفقد اهتمامه، ودقته هي ما يجعله يجد شيئًا يستحق البقاء. والموازنة بين الاثنين قرار تصميمي، لا مجرد تحسين تقني.
وتُقاس جودة الترتيب بمقاييس متعددة: دقة أول عشرة عناصر، وترتيب العناصر الملائمة، وتنوع النتائج، وتغطية الكتالوج. ولا يكفي معدل النقر، لأنه يقيس الجذب لا الرضا. ولهذا تُجرَّب التغييرات على مجموعات صغيرة أولًا، ثم تُقارن بالسلوك الفعلي قبل تعميمها.
ما أنواع خوارزميات التوصية؟
تختلف الطرق بحسب المادة المتاحة، ولكل منها حد واضح:
- التصفية التعاونية: تفترض أن المستخدمين المتشابهين يفضلون عناصر متشابهة، وأن العناصر التي تُستهلك معًا تتشابه.
- التوصية القائمة على المحتوى: تعتمد على سمات العنصر نفسه، مثل الوسوم والنص واللغة، وتصلح حين يقل سلوك المستخدمين.
- الطرق الهجينة: تجمع السلوك والسمات، وهي الأكثر شيوعًا لأنها تعالج ضعف كل طريقة وحدها.
- النماذج العميقة: تتعلم تمثيلات رقمية للمستخدم والعنصر، وتُستخدم في الاستدعاء والترتيب معًا.
- أساليب الاستكشاف: تعرض عناصر جديدة باحتمال محسوب لمعرفة رد الفعل، بدل الاعتماد على التاريخ وحده.
والتصفية التعاونية تعاني مشكلة البداية الباردة (Cold Start): مستخدم جديد بلا تاريخ، أو عنصر جديد بلا تفاعل. وتعالجها الأنظمة بأسئلة أولية، أو بسمات المحتوى، أو بعرض متوازن بين المعروف والجديد. وهذا التوازن بين الاستغلال والاستكشاف من أقدم مشكلات التوصية وأكثرها أثرًا في تجربة المستخدم.
وتتصل هذه النماذج بمجال التعلم الآلي والتعلم العميق، لكن التوصية ليست مسألة نموذج فقط. فجودة البيانات، وطريقة تعريف التفاعل، وقواعد العرض، وتوقيت التحديث، كلها تحدد النتيجة قبل أن يبدأ التدريب.
لماذا تتشابه التوصيات؟ حلقات التغذية الراجعة
الخوارزمية تتعلم من التعرض، والتعرض يأتي منها. فإذا عرضت عنصرًا فحصل على نقرات، تعلمت أنه جيد وعرضته أكثر، فارتفعت نقراته مرة أخرى. وتُسمى هذه الدورة حلقة تغذية راجعة، وتُنتج ثلاثة تحيزات معروفة: تحيز الشعبية، وتحيز الموضع، وتجانس النتائج.
وتحيز الموضع يعني أن العنصر المعروض في الأعلى يحصل على نقرات أكثر لمكانه لا لجودته. وتجاهل هذا التحيز يجعل النموذج يتعلم ترتيبًا زائفًا، ثم يكرره. ولهذا تُصحَّح بيانات التدريب بأساليب تعالج أثر الموضع، وإلا صار النظام يعكس قراراته السابقة بدل تفضيلات المستخدم.
أما فقاعة التصفية (Filter Bubble) فهي الفكرة القائلة إن التخصيص يضيّق ما يتعرض له المستخدم تدريجيًا. وهي مفهوم قريب من غرفة الصدى، لكنه ليس الشيء نفسه: الفقاعة تتعلق بما تعرضه الخوارزمية، وغرفة الصدى تتعلق بمن يشارك المستخدم آراءه. والخلط بينهما يجعل النقاش أسوأ لا أدق.
هل فقاعة التصفية حقيقة مؤكدة؟
لا، الأدلة مختلطة. فبعض الدراسات يجد تضييقًا في التنوع، وبعضها يجد أن التوصية توسّع التعرض أكثر من الاختيار اليدوي، وبعضها يجد أن الأثر الأكبر يأتي من اختيار المستخدم نفسه. والسبب في هذا التباين أن قياس التنوع يعتمد على تعريفه: تنوع المصادر، أم الموضوعات، أم وجهات النظر؟
ويصعب الفصل بين ما تفعله الخوارزمية وما يفعله المستخدم. فمن يختار محتوى متشابهًا يعطي النموذج إشارات متشابهة، ثم يلومه على تكرارها. وهذه ملاحظة مهمة في تقييم أي ادعاء عن الفقاعة: هل يقيس التعرض أم الاختيار؟ وهل يقارن بالخوارزمية أم ببديل واقعي؟
والموقف العملي أن التخصيص يميل إلى التضييق حين لا تُضاف إشارات جديدة، ويميل إلى التنويع حين تُضاف. ولهذا صارت المنصات تخلط عناصر استكشافية وقواعد تنويع في إعادة الترتيب، لا رحمة بالمستخدم بل حفاظًا على بقائه. والنتيجة تجربة أكثر تنوعًا، لا بالضرورة أكثر حيادًا.
كيف تتحكم في توصياتك؟
التحكم يبدأ من معرفة أن التوصية قابلة للتعديل، لا أنها قدر ثابت. وهذه خطوات عملية:
- احذف سجل المشاهدة أو البحث من إعدادات الحساب، فيبدأ النموذج من جديد.
- استخدم زر «لا يهمني» أو «إخفاء» بدل التمرير السريع، فالإشارة الصريحة أقوى من الصمت.
- أوقف التخصيص حيث يتيح التطبيق ذلك، وستحصل على ترتيب عام أقل ملاءمة وأكثر عشوائية.
- نوّع متابعاتك ومصادرك يدويًا، ثم استخدم البحث للوصول إلى ما لا تقترحه الصفحة الرئيسية.
- راجع إعدادات ملفات تعريف الارتباط والتتبع، لأن جزءًا من التوصية يُبنى خارج التطبيق نفسه.
ويساعد فهم الفرق بين البحث والتصفح في التحكم أيضًا. فمن يريد شيئًا محددًا يبدأ من محرك البحث، ومن يريد الاستكشاف يقبل قدرًا من العشوائية. والخلط بين الوضعين هو ما يجعل التوصية تبدو مسيطرة حين لا تكون كذلك.
ما حدود التوصية الآلية؟
التوصية تقدير إحصائي، لا فهم للنية. فهي تعرف أنك شاهدت عنصرًا، لا لماذا شاهدته، ولا ما الذي أردت الوصول إليه. ولهذا تخطئ في الحالات الانتقالية: مستخدم يبحث عن معلومة لمرة واحدة، أو يجرّب موضوعًا جديدًا، أو يشاهد شيئًا بدافع السخرية لا الإعجاب.
وتُضاف حدود أخرى: البداية الباردة، وتشتت البيانات، وتحيز الشعبية الذي يخفي المحتوى الجيد قليل الانتشار، وصعوبة قياس الرضا بمقاييس النقر. وقد يعرض النظام محتوى يثير التفاعل لا محتوى ينفع، لأن التفاعل أسهل قياسًا من النفع. وهذا ليس عيبًا في التقنية وحدها، بل في اختيار ما يُحسَّن.
ولذلك تحتاج الأنظمة الجيدة إلى طبقة ضوابط بشرية: قواعد للتنويع، وحدود للانتشار، ومراجعة للمحتوى، وشرح للمستخدم عن سبب ظهور العنصر. والشفافية هنا ليست تفصيلًا قانونيًا، بل شرط للثقة. ومن لا يعرف لماذا يرى هذا العنصر لا يستطيع تصحيح المسار.
وفي مشهد المنصات الرقمية وصناعة المحتوى، يتقاطع هذا الموضوع مع منصة يوتيوب ومنصة تيك توك ومنصة إنستغرام.
أسئلة شائعة
ما الفرق بين خوارزمية التوصية ومحرك البحث؟
محرك البحث يبدأ من استعلام يكتبه المستخدم ويرتب نتائج مطابقة له، أما خوارزمية التوصية فتبدأ من سلوك سابق وسياق وتقترح عناصر لم يطلبها المستخدم صراحة.
ما هي الإشارات الضمنية في التوصية؟
سلوكيات لا يقولها المستخدم صراحة، مثل النقر ومدة المشاهدة ونسبة الإكمال والتخطي والتمرير. وتُستخدم لأنها أكثر من التقييمات الصريحة، لكنها أصعب في التفسير.
ما معنى فقاعة التصفية؟
فكرة أن التخصيص يضيّق تدريجيًا ما يتعرض له المستخدم بسبب تعلّم الخوارزمية من تفاعله السابق. وهي مختلفة عن غرفة الصدى، التي تتعلق بمن يشارك المستخدم آراءه.
هل تعرض التوصيات المحتوى نفسه لكل المستخدمين؟
لا، الترتيب يختلف بحسب التاريخ والسياق واللغة والجهاز. لكن أجزاء من الكتالوج تبقى مشتركة، خصوصًا العناصر الشائعة والجديدة التي تُعرض للاستكشاف.
كيف أقلل تأثير التوصيات عليّ؟
امسح سجل المشاهدة، واستخدم أزرار الإخفاء وعدم الاهتمام، وأوقف التخصيص حيث يتاح، ونوّع مصادرك يدويًا، وابدأ من البحث حين تريد نتيجة محددة.
المصادر
- Google for Developers — مقدمة في أنظمة التوصية (آخر تحديث: 2025)
- YouTube Blog — كيف يعمل نظام التوصية (نُشر في 15 سبتمبر 2021، وحُدّث في 14 مارس 2025)
- Netflix Research — مجال التوصية (اطُّلع عليه في 24 أكتوبر 2026)
- arXiv — Deep Learning based Recommender System: A Survey (2017)
- Internet Policy Review — Filter bubble (2019)
