{"id":1381,"kind":"story","title":"نماذج البرجين للبحث والتوصية: استرجاع سريع بالحساب المسبق وتدريب باختيار الإجابات الخاطئة","url":"https://zenn.dev/ca_kagglers/articles/two-tower-mechanism","host":"zenn.dev","by":"startupxo","score":0,"comments":0,"time":"2026-11-13T06:31:35.289Z","origin":"curated","language":{"source":"ko","reading":"ar","translated":true},"summary":["يتكون نموذج البرجين من شبكة عصبية تقرأ الاستعلام أو معلومات المستخدم وشبكة عصبية أخرى تقرأ العناصر المراد البحث عنها. ثم يضرب مجموعتي الأرقام (المتجهات) اللتين تنتجهما كل منهما لإعطاء درجة تبيّن مدى التطابق. وتُعرض العناصر ذات الدرجات الأعلى أولاً.","يمكن حساب متجهات جانب العناصر وتخزينها مسبقاً، لذا لا يلزم عند البحث سوى حساب جانب الاستعلام. ويشرح الكاتب أن هذا يجعل البحث بين عدد كبير من المرشحين فعالاً.","في التدريب، تُعاد الاستفادة من عناصر صحيحة أخرى في الدفعة نفسها بوصفها إجابات خاطئة (أمثلة سلبية). ويُصحَّح الانحياز الناتج عن الإفراط في استخدام العناصر الشائعة أمثلة سلبية باحتمال ظهورها (ورقة Yi وآخرين)، وتُكمَّل العناصر التي لا تظهر في السجلات بأمثلة سلبية عشوائية (ورقة Yang وآخرين).","وفي طريقة استخدام الأمثلة السلبية المربكة (hard negatives)، أفادت ورقة البحث في Facebook (Huang وآخرون) بأن الاستدعاء (recall) كان الأفضل عند استخدام المرشحين من المرتبة 101 إلى 500. وعند النشر، يزيد البحث التقريبي السرعة لكنه قد يفوّت بعض المرشحين."],"discussion":"https://startupxo.com/ar/1381/","markdown":"https://startupxo.com/ar/1381.md","api":"https://startupxo.com/api/v1/item.json?id=1381&lang=ar","text":null,"edited":null,"sources":[{"site":"rss","name":"Zenn","url":"https://zenn.dev/ca_kagglers/articles/two-tower-mechanism","score":null,"comments":null,"observed_at":"2026-11-13T12:27:53Z"}],"thread":[]}