نظام توصية الشريك الرومانسي القائم على الذكاء الاصطناعي فقط على الصور

استخدم باحثون من المملكة المتحدة الشبكات العصبية لتطوير نظام توصية بالشريك الرومانسي بالكامل على أساس الصور لمواقع المواعدة على الإنترنت ، والذي يأخذ فقط في الاعتبار ما إذا كان المستخدمان متجذران إلى صور بعضهما البعض (بدلاً من معلومات الملف الشخصي مثل العمل والعمر وما إلى ذلك) ، ووجدوا أنه يتفوق على الأنظمة الأقل “سطحية” فيما يتعلق بالحصول على تطابق دقيق.

النظام الناتج يسمى Temporal Image-Based Reciprocal Recommender (TIRR) ، ويتضمن استخدام شبكات عصبية متكررة (RNNs) لتحليل تاريخ تفضيلات المستخدم للوجوه التي يتعرض لها أثناء تصفحه لمواقع المواعدة المحتملة.

المقال ، الذي يحمل عنوان “الصور كل ما تحتاجه لتوصية متبادلة في المواعدة على الإنترنت” ، ينشر من قبل باحثين من جامعة بريستول ، ويحسن بشكل ملحوظ على نظام مشابه (يسمى ImRec) صدر من نفس الفريق في عام 2020.

في الاختبارات ، حصل النظام على دقة فائقة في khảية التنبؤ بالمطابقات المتبادلة بين المستخدمين ، مما يحسن ليس فقط على عمل الباحثين في عام 2020 ، ولكن أيضًا على أنظمة توصية المواعدة القائمة على المحتوى الأخرى التي تأخذ في الاعتبار معلومات أكثر تفصيلاً ومتعلقة بالنص في ملفات المواعدة.

مجموعة بيانات المواعدة في العالم الحقيقي

تم تدريب TIRR على معلومات المستخدم المقدمة من خدمة مواعدة على الإنترنت شعبية مع “ملايين المستخدمين المسجلين” ، والتي تسمح للمستخدمين بالتواصل مع بعضهم البعض فقط بعد أن يُعجب كل منهما بملف الشخصي الآخر. وشملت مجموعة البيانات المستخدمة 200000 موضوع ، مقسمة بالتساوي بين الرجال والنساء ، و约 800000 تفضيل مستخدم معبر عنه عبر جميع ملفات المواعدة.

由于 الخدمة المجهولة التي قدمت البيانات تدعم فقط المطابقات الجنسية ، فإن البحث غطى فقط المطابقات بين الرجال والنساء.

يحسن TIRR على تصاميم أنظمة التوصية المتبادلة السابقة في هذا المجال من خلال حساب احتمالية المطابقة بين两个 ملفين شخصيين بالكامل على أساس صور الملف الشخصي. تقوم الأنظمة السابقة بتوقع تفضيلين غير متبادلين ثم تجميعهما للحصول على توقع.

استثنى الباحثون المستخدمين الذين تم إزالتهم من خدمة المواعدة (لأي سبب ، بما في ذلك مغادرة الموقع بشكل طوعي) ، واستثنوا الملفات الشخصية التي لا تحتوي على صور قائم على الوجه.

تم تحديد تاريخ المستخدم إلى سنة سابقة ، لتجنب الشوائب المحتملة التي قد تحدث مع مرور الوقت ، كما تم تحديدها إلى أقصى 15 تفضيلًا للمستخدم ، لأن هذه تمثل ما يكفي لإثبات تصميم النموذج ، في حين أن استخدام تفضيلات أكثر يؤدي إلى تدهور الأداء وزيادة أوقات التدريب.

بالإضافة إلى ذلك ، كان بعض المستخدمين المتمرسين أو المستخدمين على المدى الطويل لديهم سجلات تحتوي على آلاف التفضيلات ، مما قد يخاطر بتحيز وزن الميزات المستلمة ، وزيادة أوقات التدريب.

شبكة سيامية

تم صياغة TIRR باستخدام شبكة سيامية ، والتي يتم استخدامها عادةً للتعلم من النماذج القليلة.

تم تدريب الشبكة باستخدام binary crossentropy ، وهو خسارة شائعة في الشبكات العصبية ، والتي وجد الباحثون أنها تعطي نتائج أفضل مقارنة بخسارة contrastive.

من الضروري أن يحتفظ النظام بالمعلومات التي يطورها أثناء تكرار التدريب عدة مرات على نفس البيانات ، وشبكة سيامية في TIRR تستخدم شبكة LSTM (ذاكرة قصيرة الأمد الطويلة) لاتخاذ هذه القرارات ، وضمان أن الميزات التي تعتبرها الإطار مهمة لا يتم التخلص منها بشكل عشوائي أثناء بناء رؤى الإطار.

وجد الباحثون أن الشبكة تتدرب ببطء شديد عند إدخال جميع البيانات ، وبالتالي قاموا بتقسيم التدريب إلى ثلاث مراحل باستخدام ثلاث مجموعات فرعية من البيانات. هناك بعض المزايا الإضافية في هذا ، حيث أظهرت تجارب الباحثين في عام 2020 بالفعل أن تدريب مجموعات البيانات للمرأة والرجل بشكل منفصل يحسن أداء نظام التوصية المتبادل.

التجارب

为了 تقييم أداء TIRR ، احتفظ الباحثون بجزء من البيانات التي حصلوا عليها و chạyها من خلال النظام المتوافق بالكامل. ومع ذلك ، نظرًا لأن النظام جديد تمامًا ، لا توجد أنظمة سابقة مباشرة يمكن比較ها.

لذلك ، قام الباحثون أولاً بإنشاء منحنى ROC (Receiver Operating Characteristic) لمقارنة أداء الشبكة السيامية ، ثم استخدموا تقنية UMAP (Uniform Manifold Approximation and Projection) لتقليل الأبعاد من 128 بعدًا إلى أبعاد منخفضة لسهولة التصور ، من أجل إنشاء تدفق متسلسل للمعجبين والمكرهين.

تم اختبار TIRR ضد أنظمة التوصية القائمة على المحتوى والتعاونية مع نطاق مماثل ، بما في ذلك عمل الباحثين السابق ImRec (انظر أعلاه) ، و RCF (نظام توصية مواعدة قائم على المحتوى النصي لملفات المواعدة) ، و LFRR (مشروع مشابه من عام 2019).

في جميع الحالات ، كان TIRR قادرًا على تقديم دقة أعلى ، على الرغم من أن الفرق كان فقط هامشيًا مقارنة بـ LFRR ، مما قد يشير إلى وجود عوامل متعلقة بين محتوى ملفات المواعدة النصية ومستوى الجاذبية المتصورة للموضوعات في صور ملفات المواعدة.

التوازن القريب بين TIRR القائم على الصور والنظام القائم على النص LFRR يسمح على الأقل بفرضتين: أن تصور المستخدمين لمستوى الجاذبية البصرية يتأثر بمحتوى ملفات المواعدة النصية ؛ أو أن محتوى النص يتلقى انتباهًا أكبر وتصفيقًا أكثر مما قد يكون حدث لو لم تكن الصورة المرتبطة تم تصورها على أنها جذابة.

لمن يكن من الواضح ، فإن فريق البحث غير قادر على إصدار مجموعة البيانات أو شفرة المصدر لـ TIRR ، لكنهم يشجعون فرق أخرى على تكرار وتأكيد نهجهم.

ن.b الصور المستخدمة في الصورة الرئيسية هي من thispersondoesnotexist.com.