شهدت تقنيات التوصيات التسلسلية (Sequential Recommendations) تقدمًا ملحوظًا في تحسين توقعات معدل النقر (Click-Through Rate) بفضل قدرتها على نمذجة اهتمامات المستخدمين الديناميكية. ومع ذلك، يبقى تحدي حجم السلاسل الطويلة كأحد أبرز العقبات، حيث يمكن أن تتسبب الاهتمامات المتغيرة للمستخدمين في ظهور معلومات غير ذات صلة أو مضللة.

أظهرت التحليلات التجريبية وجود نمط سلوكي متكرر في السلاسل الطويلة يُعرف بـ "التنقل بين الجلسات" ( extit{session hopping})، حيث تبقى اهتمامات المستخدمين مستقرة خلال فترات زمنية قصيرة (الجلسات) لكنها تتغير بشكل جذري عبر الجلسات وقد تعود للظهور بعد عدة جلسات.

لمواجهة هذا التحدي، قدم الباحثون إطار Mixture of Sequence (MoS)، وهو نموذج يعتمد على فكرة Mixture-of-Experts (MoE) لتحسين دقة التوصيات عن طريق استخراج سلاسل فرعية متعددة التوجهات والموضوعات من سلاسل المستخدمين المليئة بالضجيج. يعتمد MoS على آلية توجيه مدركة للموضوعات لتعلم السمات الكامنة في سلاسل المستخدمين. وبذلك، يقوم بتنظيم هذه السلاسل إلى سلسلة فرعية متماسكة، بحيث تحتوي كل سلسلة فرعية على جلسات متناسقة مع موضوع معين، مما يساعد على تصفية المعلومات غير ذات الصلة.

بالإضافة إلى ذلك، للتخفيف من فقدان المعلومات المحتمل، تم تقديم آلية دمج متعددة المقاييس، التي تستفيد من ثلاثة أنواع من الخبراء لالتقاط الخصائص العامة للسلسلة والسلوكيات الآنية للمستخدمين والأنماط الدلالية المحددة بالموضوع. تعمل هاتان الآليتان معًا ليمنحا إطار MoS القدرة على توفير توصيات دقيقة من زوايا متعددة ومقاييس متنوعة.

أظهر الفريق التجريبي أن MoS يحقق أداءً متفوقًا مقارنة مع نظرائه من MoE مع تقليل عدد العمليات الحاسوبية، مما يؤكد توازن الإطار بين الفائدة والكفاءة. يمكنك الوصول إلى الكود المفتوح على [GitHub](https://github.com/xiaolin-cs/MoS).