چرا شبکه‌های عصبی دو برجی برای نمایش میلی‌ثانیه‌ای فید، تلفیق ویژگی‌ها را ممنوع می‌کنند؟

پلتفرم‌های رسانه‌های اجتماعی اغلب ادعا می‌کنند فیدهای آن‌ها با هوش مصنوعی قدرتمندی هدایت می‌شود که رابطه ظریف و عمیق بین کاربر و تک‌تک محتواها را کاملاً درک می‌کند. اما واقعیت فنی بسیار مکانیکی‌تر از این حرف‌هاست: شبکه‌های عصبی که وظیفه فراخوانی فید شما را دارند، تا آخرین میلی‌ثانیه‌ی ممکن، اکیداً از ترکیب داده‌های شما با داده‌های پست منع شده‌اند.

این محدودیت ساختاری که به «مدل دو برجی» (Two-Tower) معروف است، صرفاً برای بقای محاسباتی سیستم طراحی شده است. اگر قرار بود الگوریتم بررسی کند که تعامل تاریخچه مشخص شما با ویژگی‌های یک پست خاص چگونه است، باید برای تک‌تک پست‌های موجود در پلتفرم، یک دور کامل محاسبات شبکه عصبی اجرا می‌کرد.

با ایزوله نگه داشتن داده‌های کاربر و داده‌های محتوا در دو برج مجزا، پلتفرم‌ها می‌توانند بردار پست‌ها را پیشاپیش به‌صورت آفلاین محاسبه کنند و یک محاسبه بلادرنگِ از نظر ریاضی غیرممکن را به یک جستجوی برداری ساده تقلیل دهند.

در مستندات مهندسی گوگل کلود آمده است: «مزیت اصلی چنین معماری، توانایی جداسازی استنتاج برای بازنمایی کوئری و کاندیداست.» همین تفکیک است که ارائه فیدهایی در مقیاس جهانی را از نظر فیزیکی امکان‌پذیر می‌کند؛ امری که هیاهوی بازاریابی را کنار می‌زند و یک قیف پردازشی خشن و به‌شدت بهینه‌سازی‌شده را به نمایش می‌گذارد.[2]

انفجار ترکیبیاتی ویژگی‌های متقابل

برای درک ضرورت مدل دو برجی، باید دید این مدل مشخصاً جلوی چه چیزی را می‌گیرد: «ویژگی‌های متقابل» (Cross-Features). ویژگی متقابل نقطه‌داده‌ای است که تنها زمانی پدید می‌آید که یک کاربر خاص در کنار یک آیتم خاص قرار گیرد؛ مثلاً اینکه یک کاربر در هفت روز گذشته چند بار ویدیوهای یک تولیدکننده محتوای خاص را تماشا کرده است.

ویژگی‌های متقابل شاخص‌های فوق‌العاده قدرتمندی برای پیش‌بینی میزان تعامل هستند. اگر سیستم توصیه‌گر بتواند از آن‌ها استفاده کند، دقت آن سر به فلک می‌کشد، چون می‌تواند ترجیحات بسیار دقیق و مشروط کاربر را بسنجد. اما محاسبه آن‌ها مستلزم «تلفیق زودهنگام» (Early Fusion) است؛ یعنی داده‌های کاربر و داده‌های آیتم باید از همان لایه اول شبکه عصبی با هم وارد شوند.

در مقیاس شبکه‌های اجتماعی امروزی، تلفیق زودهنگام فوراً به بن‌بست می‌خورد. پلتفرمی با یک میلیارد کاربر فعال و کاتالوگی شامل یک میلیارد پست فعال، یک کوینتیلیون (۱۰ به توان ۱۸) حالت ترکیبی ممکن دارد. اگر کاربری اپلیکیشن را باز کند و سیستم بخواهد بهترین محتوا را بیابد، یک مدل تلفیق زودهنگام باید در همان چند لحظه بارگذاری صفحه، میلیون‌ها بار استنتاج سنگین شبکه عصبی انجام دهد.

هیچ مرکز داده‌ای روی کره زمین توان پشتیبانی از چنین بار محاسباتی عظیمی را ندارد. سنجش یک کاربر در برابر یک میلیارد پست با استفاده از یک شبکه عصبی عمیق، نیازمند میلیون‌ها ساعت کارکرد پردازنده‌های گرافیکی (GPU) در هر ثانیه در سراسر جهان خواهد بود. سیستم بی‌درنگ زیر بار خود از پا درمی‌آید و شخصی‌سازی بلادرنگ عملاً ناممکن می‌شود.

سازوکار جداسازی در مدل دو برجی

معماری دو برجی این معضل را با دو نیم کردن شبکه عصبی حل می‌کند. «برج کاربر» تنها به پردازش سیگنال‌های رفتاری، اطلاعات جمعیت‌شناختی و بستر جاری می‌پردازد و در خروجی خود یک بردار ریاضی چگال یا همان امبدینگ تولید می‌کند که نشان‌دهنده وضعیت فعلی کاربر است. این بردار معمولاً آرایه‌ای شامل چند صد عدد اعشاری ممیز شناور است.

در سوی دیگر، «برج آیتم» در انزوای کامل فعالیت می‌کند و فقط متن، پیکسل‌های تصویر و فراداده‌های نویسنده پست را پردازش می‌نماید. این برج نیز برداری مجزا با همان ابعاد دقیق تولید می‌کند. قانون سفت‌وسخت این معماری آن است که در طول این فرایند هیچ اطلاعاتی نباید میان دو برج رد و بدل شود.

از آنجا که برج آیتم هرگز داده‌های کاربر را نمی‌بیند، محاسبات آن هیچ وابستگی‌ای به این ندارد که چه کسی درخواست فید داده است. این یعنی پلتفرم نیازی ندارد هنگام باز شدن اپلیکیشن، برج آیتم را اجرا کند؛ بلکه آن را ساعت‌ها یا روزها قبل، درست همان لحظه‌ای که پست روی سرور بارگذاری شده، اجرا کرده است.

این تفکیک، ویژگی معرف «تلفیق دیرهنگام» (Late Fusion) است. بخش سنگین پردازش محتوا — شامل آنالیز فریم‌های ویدیو، پردازش متن و کدگذاری متادیتا — به‌طور کامل از مسیر بحرانی درخواست‌های آنلاین کاربر کنار گذاشته می‌شود.

پیش‌محاسبه و فضای برداری

پیش‌محاسبه، موتور محرکه بازیابی مدرن فیدهاست. پلتفرم‌ها کل کاتالوگ میلیونی یا میلیاردی آیتم‌های خود را به‌صورت آفلاین از داخل برج آیتم عبور می‌دهند. بردارهای حاصل از آن در یک پایگاه داده بزرگ و تخصصی که ویژه ذخیره‌سازی بردارهای چندبعدی است نگهداری می‌شوند.[4]

هنگامی که فید خود را باز می‌کنید، سیستم فقط باید یک بار برج کاربر را اجرا کند. این مدل کلیک‌های اخیر، تاریخچه جستجو و موقعیت فعلی شما را می‌گیرد، از شبکه کاربر عبور می‌دهد و بردار شما را تولید می‌کند. بدین ترتیب استنتاج سنگین شبکه عصبی در کسری از میلی‌ثانیه به پایان می‌رسد.

سپس مدل، تلفیق دیرهنگام واقعی را کلید می‌زند؛ به این صورت که بردار تک‌کاربر شما را برمی‌دارد و با میلیاردها بردار پیش‌محاسبه‌شده پست‌ها مقایسه می‌کند. این مقایسه معمولاً یک ضرب داخلی ساده یا شباهت کسینوسی است؛ عملیات‌های هندسی پایه‌ای که تعیین می‌کنند دو نقطه در یک فضای چندبعدی چقدر به هم نزدیک‌اند.

اگر بردار کاربر و بردار آیتم یک پست تقریباً هم‌جهت باشند، حاصل‌ضرب داخلی بالا خواهد بود و سیستم نتیجه می‌گیرد که آن پست به علایق شما نزدیک است. بدین ترتیب کل روند تطبیق به جبر خطی پایه خلاصه می‌شود.

جستجوی تقریبی نزدیک‌ترین همسایه

با این حال، حتی یک ضرب داخلی ساده هم اگر قرار باشد برای هر درخواست کاربر یک میلیارد بار تکرار شود، بسیار کند خواهد بود. برای دستیابی به تأخیر بلادرنگ، پلتفرم‌ها به الگوریتم‌های جستجوی «تقریبی نزدیک‌ترین همسایه» یا همان ANN تکیه می‌کنند.

الگوریتم‌های ANN به جای بررسی تک‌تک پست‌ها، با بهره‌گیری از ساختارهای درختی یا شبکه‌های گرافی، فضای برداری را به‌سرعت پیمایش می‌کنند. آن‌ها بخش‌های عظیمی از محتوای نامربوط را نادیده می‌گیرند و نزدیک‌ترین تطابق‌ها را به جای زمان خطی، در زمان لگاریتمی پیدا می‌کنند.

یکی از رایج‌ترین الگوریتم‌ها برای این کار، گراف‌های HNSW است. این الگوریتم یک گراف چندلایه می‌سازد که لایه‌های بالایی آن اتصالات اندک اما با فواصل طولانی دارند و لایه‌های پایینی دارای خوشه‌های متراکم محلی هستند. جستجو ابتدا جهش‌های بزرگی در فضا انجام می‌دهد و سپس برای یافتن تطابق‌های دقیق به لایه‌های پایین فرود می‌آید.

در تحلیل فنی سال ۲۰۲۵ پلتفرم Tullie.ai اشاره شده است: «با یادگیری بردارهای مجزا برای کاربران و آیتم‌ها، امکان تولید سریع کاندیداها از طریق جستجوی تقریبی نزدیک‌ترین همسایه فراهم می‌شود؛ امری که برای شخصی‌سازی بلادرنگ حیاتی است.» این سازوکار، توان محاسباتی مورد نیاز برای هر درخواست کاربر را بیش از شش مرتبه بزرگی کاهش می‌دهد.[3]

جهش یوتیوب در سال ۲۰۱۶

استاندارد صنعتی این معماری تا حد زیادی با مقاله شاخص تیم تحقیقاتی گوگل در سال ۲۰۱۶ با عنوان «شبکه‌های عصبی عمیق برای سیستم‌های توصیه‌گر یوتیوب» پایه‌گذاری شد. پیش از این مقاله، بسیاری از سیستم‌ها به فاکتورگیری ماتریسی متکی بودند که در ادغام متادیتای غنی عملکرد ضعیفی داشت.[1]

تیم مهندسی یوتیوب نشان داد که با استفاده از شبکه‌های عصبی عمیق برای هر دو بخش کاربر و ویدیو، می‌توانند صدها ویژگی ناهمگن را وارد برج‌ها کنند. برج کاربر می‌توانست تاریخچه تماشای مخاطب را به‌صورت دنباله‌ای از شناسه‌های ویدیو، همراه با موقعیت جغرافیایی و توکن‌های عبارت جستجو دریافت کند.[1]

نکته حائز اهمیت این بود که آن مقاله قیف دو مرحله‌ای را که هنوز پس از یک دهه استاندارد این صنعت به شمار می‌رود، تثبیت کرد. محققان به‌صراحت مدل سریع دو برجی برای تولید کاندیدا را از مدل سنگین و غنی از ویژگی برای رتبه‌بندی نهایی جدا کردند و ثابت نمودند که مقیاس‌پذیری و دقت باید توسط دو معماری متفاوت مدیریت شوند.[1]

قیف دو مرحله‌ای سیستم توصیه‌گر

شرکت‌های فناوری هنگام تبلیغ الگوریتم‌های خود معمولاً مرز بین «بازیابی» (Retrieval) و «رتبه‌بندی» (Ranking) را کمرنگ جلوه می‌دهند. مدل دو برجی تنها فاز اول این فرایند است که تحت عنوان تولید کاندیدا شناخته می‌شود. وظیفه این مدل باهوش بودن نیست؛ مأموریتش فقط سریع بودن است.

مرحله بازیابی دو برجی کاتالوگ یک میلیاردی پست‌ها را به چند صد کاندیدای معقول کاهش می‌دهد. از آنجا که این مدل امکان استفاده از ویژگی‌های متقابل را ندارد، گزینش‌های آن کلی و گاهی معمولی است؛ در واقع ابزاری نه‌چندان دقیق است که صرفاً برای غربال نویزهای آشکار ساخته شده است.

وقتی این فهرست به چند صد آیتم کاهش یافت، سیستم آن‌ها را به یک مدل رتبه‌بندی سنگین می‌سپارد. در این مرحله دوم است که سرانجام استفاده از ویژگی‌های متقابل آزاد می‌شود. رتبه‌بند چون فقط باید ۵۰۰ پست را ارزیابی کند نه یک میلیارد، می‌تواند بار پردازشی محاسبات عمیق و پیچیده را به جان بخرد تا در نهایت ۱۰ پستی را که واقعاً می‌بینید انتخاب کند.

مصالحه‌ها و واقعیت شروع سرد

ممنوع کردن ویژگی‌های متقابل در مرحله بازیابی، مصالحه‌ها و تاوان‌های سنگینی به همراه دارد. مدل دو برجی در ثبت ترجیحات مشروط و جزئی‌نگر به مشکل می‌خورد؛ مثلاً کاربری که یک تولیدکننده محتوا را دوست دارد اما تنها زمانی که او درباره موضوع خاصی پست بگذارد.

تحلیل Tullie.ai هشدار می‌دهد: «عملکرد این سیستم می‌تواند برای کاربران یا آیتم‌های جدیدی که ویژگی‌ها یا تعاملات کمی دارند، افت شدیدی پیدا کند.» از آنجا که مدل دو برجی تماماً متکی بر ضرب داخلی دو بردار تفکیک‌شده است، به‌شدت به کیفیت بردارهای تعبیه‌شده اولیه حساسیت دارد.[3]

با این حال، این معماری مشکل «شروع سرد» (Cold Start) را برای محتوای تازه به زیبایی حل می‌کند. وقتی سازنده‌ای ویدیوی کاملاً جدیدی بارگذاری می‌کند، برج آیتم فوراً بردار آن را صرفاً بر مبنای پیکسل‌ها و متادیتا استخراج می‌نماید. ویدیو بدون نیاز به بازآموزی مدل، بلافاصله می‌تواند در فید کاربرانی که بردارشان به همان بخش از فضای برداری اشاره دارد ظاهر شود.