Öneri sistemlerinin arkasındaki yapay zeka modelleri giderek büyürken, araştırmacılar beklenmedik bir sorunla karşılaştı. Büyük modellerin başarısından ilham alan geliştiriciler, öneri sistemlerinde de daha derin ve kapsamlı modeller kullanmaya yöneldi. Ancak yeni bir araştırma, bu yaklaşımın her zaman işe yaramadığını ortaya koyuyor.
Endüstriyel tıklama oranı tahmin modellerinin detaylı analizinde dikkat çekici bir fenomen keşfedildi. Modellerin öğrendiği bağlantı ağırlıklarının büyük çoğunluğu sıfıra doğru yaklaşırken, sadece küçük bir kısmı anlamlı değerler koruyor. Bu gözlem, 'örtük bağlantı seyrekliği' olarak adlandırılan yeni bir kavramı gündeme getirdi.
Sorunun kaynağı, yoğun bağlantılı sinir ağları ile öneri verilerinin doğası arasındaki uyumsuzlukta yatıyor. Öneri sistemi girdileri yüksek boyutlu ve son derece seyrek olmasına rağmen, geleneksel derin sinir ağları tüm bağlantıları yoğun şekilde işlemeye çalışıyor. Bu durum, modelin değerli sinyaller yerine düşük faydalı bağlantıları işlemesine neden oluyor.
Araştırmacılar bu sorunu çözmek için SSR (Ölçeklenebilir Öneri için Açık Seyreklik) adını verdikleri yeni bir çerçeve geliştirdi. Bu yaklaşım, modelin yapısında açık seyreklik kullanarak gereksiz bağlantıları elimine ediyor ve böylece daha verimli bir işlem süreci sağlıyor.
Bu keşif, öneri sistemlerinin gelecekteki gelişiminde önemli bir dönüm noktası olabilir ve büyük ölçekli uygulamalarda daha etkili modeller tasarlanmasının yolunu açabilir.