Les rencontres ou rencontres sont éternelles, elles existeront toujours sous diverses formes: dans la rue, sur Internet, sur des sites ou à l'intérieur d'applications mobiles. Les gens auront toujours le désir de rencontrer quelqu'un et chacun choisira le moyen le plus pratique pour lui-même. Certains continuent de se familiariser dans les bars, les cafés, dans la rue, d'autres utilisent des technologies modernes et apprennent en ligne. Chacun a son propre choix et nous ne jugerons pas les deux parties, mais la discussion se concentrera sur les rencontres en ligne.
Exemples d'applications de rencontresSi vous ne touchez pas à un grand nombre de fraudes, escrocs, spammeurs dans ce segment, alors en fait sur les sites ou dans les applications mobiles les gens recherchent un couple et il est souhaitable que leur intérêt mutuel soit mutuel. Tout ce qui ne répond pas à ce critère est en fait une perte de temps d'un côté. L'approche la plus établie du point de vue de la présentation de l'information est la «brochure», où un profil est affiché et le spectateur doit décider s'il l'aime ou non (comme, n'aime pas). Si vous aimez le questionnaire, alors elle sera prévenue et si l'intérêt mutuel les uns envers les autres, alors il devient possible d'entamer un dialogue. Des dérogations à ce schéma sont possibles dans diverses applications et sur différents sites, mais le principe général de fonctionnement doit être clair.
Comme, introduit il y a de nombreuses années par Facebook, s'est avéré être un outil très puissant, motivant et pratique. Il permet sans dialogue de montrer son intérêt pour quelqu'un et, selon sa réaction, de ne pas attendre une réponse, mais de continuer sa recherche. S'il y a une réaction, un dialogue peut commencer, mais sa valeur est bien plus élevée que de simples "salutations" dispersées sans tenir compte de la réciprocité.
Oui, les likes ont aidé et l'utilisation de la sympathie mutuelle aussi, mais néanmoins, sur le marché des rencontres, peu de choses ont changé au cours des 15 dernières années, et cela est étrange pour l'industrie informatique, dans laquelle les rencontres en ligne se développent également.
Quel est en fait le problème?
En moyenne, selon les statistiques, 17 likes pour 100 aversions. Autrement dit, une personne fait un travail beaucoup plus inutile qu'utile et reçoit du contenu qui ne l'intéresse pas. Cela tient compte des paramètres de filtrage actuels des résultats (recherche par ville, âge, intérêts et autres caractéristiques spécifiées dans le profil). Il s’avère que l’action principale de la personne par rapport au questionnaire n’est pas liée à la connaissance des informations textuelles que le propriétaire du questionnaire a renseignées sur lui-même, mais est liée exclusivement à la perception de la photographie présentée (de l’ensemble ou de la personne, en particulier). Une évaluation plus approfondie de l'adversaire sera effectuée dès la prochaine étape, lorsque la sympathie mutuelle se formera.
Aime, n'aime pas - quel est le problème?Le but ultime est de réduire le nombre d'actions inutiles des utilisateurs et de faire une sélection de profils dans une datation de meilleure qualité qu'au stade actuel. Disposant d'une base suffisamment large pour construire des statistiques, analyser et tester des hypothèses, ainsi que pour former et utiliser des réseaux de neurones, nous avons fait et testé les deux hypothèses suivantes:
- Mais que se passe-t-il si toutes les personnes sont similaires et en analysant les résultats de personnes similaires sur le choix des profils, pouvez-vous améliorer et influencer la qualité de cet échantillon?
- Un réseau de neurones à partir de photographies peut-il prédire nos préférences en fonction de l'expérience précédente?
Réseaux de neurones dans la datationCi-dessous, nous décrirons plus en détail nos expériences en utilisant l'exemple des données d'une des applications mobiles dans le domaine de la datation. Merci aux collègues qui ont donné leur accord pour de telles expériences, analyses et introduction de nouvelles technologies. Bien entendu, toutes les modifications apportées et les expériences réalisées ne violent en aucune manière la loi fédérale sur les données personnelles et le RGPD.
Solution 1. Et si tous les gens se ressemblent?
L'hypothèse et l'hypothèse sont les suivantes: si une personne aime quelqu'un en tenant compte des filtres de recherche de base, tels que la ville, la tranche d'âge et le sexe, alors les résultats (choix) d'une autre qui aiment la même personne seront plus susceptibles de correspondre au premier et de prendre en compte en répétant les hypothèses et en augmentant le nombre de personnes, la qualité de l'échantillon s'améliorera.
Une extension de cette hypothèse est la minimisation des paramètres de filtrage entrants par sexe et par ville, ainsi que la prise en compte non seulement des goûts sortants des personnes que vous recherchez avec des préférences similaires, mais également des réponses aux profils qu'ils aiment.
Test d'hypothèse. Seuls le sexe et la ville sont spécifiés dans le filtre. Résultats d'échantillonnage avec aversions au début:
- Les quatre premiers profils qui n'aiment pas
- Deux premiers likes sur des profils appropriés
- Une autre aversion
- Et à la quatrième itération, obtenir un échantillon de 5 profils appropriés selon des critères spécifiés
Sur la base de l'expérience, le processus de génération automatique d'une requête de recherche basée sur les opinions d'autres personnes, sur la base duquel les préférences possibles du participant actif sont formées, est démontré.
Dans le prolongement de ce schéma, il est possible d'envisager de prendre des aversions avec des goûts pour clarifier le portrait de la personne, ainsi que l'âge et d'autres caractéristiques des profils entrant dans l'échantillon.
Paramètres d'algorithme utilisés lors du test d'une hypothèse:
Option 2. Et apprenons le réseau neuronal pour prendre une décision pour nous
L'hypothèse et l'hypothèse sont les suivantes: peut-être que la personne sur la photo joue un rôle plus important dans le choix des personnes que le contexte général, l'emplacement, les accessoires, la qualité de la prise de vue et d'autres facteurs. Pour tester l'hypothèse, un détecteur sur Intel OpenVINO avec 1 million de photos a été utilisé. Les résultats ont été obtenus des visages à partir des photos générales des utilisateurs avec une base de données parallèle de likes (qui ont aimé qui et où ces likes sont mutuels). Le résultat du détecteur et l'imposition de points clés du visage sur l'image originale:
De plus, au cours de la formation, les réseaux de neurones ont reçu des paires de photographies dans diverses variantes:
- La première photo (profil) comme la seconde
- La première photo (profil) comme la seconde, et la deuxième première
- La première photo (profil) n'aime pas la seconde, et la seconde n'aime pas la première
L'échantillon de formation lors de la comparaison sur la base des likes sur la base de données est illustré ci-dessous. Deux entrées sous forme de photos qui ne sont transmises au réseau que s'il y a un like entrant du premier au second, du like mutuel ou lorsqu'il n'y a pas de likes mutuels (pour trois réseaux différents avec leur apprentissage séquentiel).
Le résultat a été trois réseaux de neurones qui, avec un degré de probabilité donné, peuvent déterminer la compatibilité des personnes sur les photographies. L'avantage de cette option par rapport à la première est la vitesse élevée de recherche des préférences dans les photographies et le nombre minimum de requêtes et de dépendances au niveau de la requête SQL. En d'autres termes, la solution résultante est hautement productive avec une vitesse élevée et une faible consommation et des besoins en ressources dans le processus d'inférence (à ne pas confondre avec le processus d'apprentissage, où les performances maximales des systèmes informatiques et la participation de nombreux GPU au processus sont requises).
Conclusions
Nous avons mis en œuvre les deux options et, au stade actuel, nous collectons des statistiques sur leur efficacité. Il est curieux que les deux régimes se soient avérés efficaces et aient permis d'améliorer considérablement le résultat de l'émission, réduisant ainsi le nombre d'actions inutiles de la part des utilisateurs. Le résultat final pour l'entreprise est une augmentation de l'engagement des utilisateurs, une augmentation du nombre total de likes mutuels et, par conséquent, du nombre d'achats de comptes payés.
Maintenant, la phase de test des deux solutions est en cours et les algorithmes sont fournis aux utilisateurs de manière sélective, mais si vous souhaitez tester vous-même la première ou la deuxième hypothèse sur une base réelle de profils, inscrivez-vous dans l'application et contactez par e-mail dushin@combox.io, indiquez votre identifiant dans l'application dans la lettre, donner accès.