أعادت شركة LinkedIn بناء نظام ترتيب خلاصة LinkedIn بالكامل، إذ نشرت منظومة جديدة تعتمد على النماذج اللغوية الكبيرة ووحدات معالجة الرسوميات لخدمة أكثر من 1.3 مليار عضو. وقد كشف المهندس هريستو دانشيف عن تفاصيل هذا العمل في منشور نُشر بتاريخ 12 مارس 2026.
أسباب إعادة بناء البنية التحتية للخلاصة
اعتمد النظام السابق على مصادر استرجاع متعددة ومنفصلة، تشمل فهارس المحتوى الرائج والتصفية التعاونية وأنظمة التضمين المتخصصة. وقد أفضى ذلك إلى تعقيد هندسي كبير وصعّب عملية التحسين الشامل. فضلاً عن ذلك، كان نموذج الترتيب القديم يُقيّم كل انطباع منشور بصورة مستقلة، مما جعله يفتقر إلى فهم الأنماط المتسلسلة في طريقة استهلاك المحترفين للمحتوى.
الاسترجاع الموحد عبر النماذج اللغوية الكبيرة
استبدلت LinkedIn البنية متعددة المصادر بنظام استرجاع موحد يعتمد على الذكاء الاصطناعي وتضمينات النماذج اللغوية الكبيرة. يفهم النظام العلاقات الدلالية بين الموضوعات بدلاً من الاعتماد على مطابقة الكلمات المفتاحية. على سبيل المثال، يحصل العضو المهتم بالهندسة الكهربائية والذي يتفاعل مع منشورات حول المفاعلات النووية المعيارية الصغيرة على محتوى ذي صلة، لأن النموذج يربط هذه الموضوعات من خلال المعرفة المكتسبة أثناء التدريب المسبق.
عالج الفريق أيضاً تحدياً محدداً يتعلق بالميزات الرقمية. أسفر تمرير أعداد التفاعلات الخام مباشرةً إلى النموذج عن ارتباط شبه معدوم (-0.004) بين شعبية المنشور ودرجات تشابه التضمين. وأدى تحويل هذه الأعداد إلى مجموعات نسب مئوية مُغلَّفة برموز خاصة إلى تضخيم هذا الارتباط 30 مرة. علاوة على ذلك، تحسّن معدل الاسترجاع ضمن أفضل 10 نتائج بنسبة 15 بالمئة نتيجة مباشرة لهذا التغيير في الترميز.
ترتيب خلاصة LinkedIn بنموذج متسلسل
على صعيد الترتيب، طوّرت LinkedIn نموذج Generative Recommender الذي يعالج سجل تفاعلات العضو بوصفه تسلسلاً مرتباً لا مجموعة أحداث مستقلة. يعالج النموذج أكثر من 1000 تفاعل سابق عبر بنية المحوّل ذات الانتباه السببي. وبالتالي، يلتقط النموذج مسار الاهتمامات المهنية طويلة الأمد بدلاً من تقييم كل منشور بمعزل عن غيره.
يستخدم النموذج رأس تنبؤ Multi-gate Mixture-of-Experts مع خبراء DCNv2 مشتركين مُبوَّبين لكل مهمة. وأكدت الشركة أن منصة التواصل الاجتماعي تُخضع النموذج لعمليات تدقيق منتظمة لضمان المعاملة العادلة عبر قاعدة أعضائها، معتمدةً على الإشارات المهنية وأنماط التفاعل دون الاستناد إلى السمات الديموغرافية.
كفاءة التدريب والبنية التحتية لوحدات معالجة الرسوميات
تطلّب تدريب النموذج المتسلسل على ملايين سجلات الأعضاء استثماراً كبيراً في البنية التحتية الحاسوبية. وكان من أبرز النتائج أن تصفية بيانات التدريب لتشمل فقط المنشورات التي حظيت بتفاعل إيجابي، بدلاً من جميع المنشورات المعروضة، قلّصت البصمة الذاكرية لكل تسلسل بنسبة 37 بالمئة. كما أتاح هذا النهج معالجة 40 بالمئة من تسلسلات التدريب الإضافية لكل دفعة، وحقق سرعة تدريب أعلى بمقدار 2.6 مرة على تكوين إنتاجي يستخدم 8 وحدات معالجة رسوميات H100.
أسفر إضافة اثنين فقط من النماذج السلبية الصعبة لكل عضو أثناء التدريب عن تحسين معدل الاسترجاع بنسبة 3.6 بالمئة مقارنةً باستخدام النماذج السلبية السهلة فقط. كما يستخدم نظام الخدمة بنية موزعة تفصل معالجة الميزات المرتبطة بالمعالج المركزي عن استنتاج النموذج المكثف على وحدات معالجة الرسوميات. وحقق متغير Flash Attention المخصص المسمى GRMIS تسريعاً إضافياً بمقدار مرتين مقارنةً بتطبيق الانتباه القياسي في PyTorch.
الأثر على تجربة الأعضاء
يُوصل النظام المدمج تحديثات المحتوى في غضون دقائق من اكتساب المنشورات الجديدة زخماً، بدلاً من ساعات. وبالنسبة للأعضاء الجدد، يبدأ النموذج المتسلسل في تشكيل خلاصة LinkedIn منذ أولى التفاعلات، مما يُقلص عيب البداية الباردة الذي أثّر في الأنظمة السابقة. وأكدت الشركة أن هذه التغييرات تمثل تطوراً ملموساً في طريقة بناء أنظمة التوصية على نطاق واسع، إذ تجمع بين الفهم الدلالي للنماذج اللغوية الكبيرة والهندسة الجاهزة للإنتاج.
“الخلاصة التي تراها اليوم أكثر ذكاءً وتخصيصاً وملاءمةً من أي وقت مضى. تمثل هذه الأنظمة أكثر من مجرد تحسينات تدريجية — إذ تُجسّد تطوراً ملموساً في طريقة بناء أنظمة التوصية على نطاق واسع.”
هريستو دانشيف، هندسة LinkedIn