Un sistem de recomandare a potrivirii bazat exclusiv pe imagini, utilizând inteligența artificială

Cercetători din Regatul Unit au utilizat rețele neuronale pentru a dezvolta un sistem de recomandare pentru potriviri de dating online, care ia în considerare doar atractivitatea fizică a utilizatorilor, și nu informațiile din profil, cum ar fi locul de muncă, vârsta etc., și au constatat că acesta oferă rezultate mai precise decât sistemele mai “puțin superficiale”.

Sistemul rezultat se numește TIRR (Recomandare Reciprocă Bazată pe Imagini Temporale) și utilizează rețele neuronale recurente (RNN) pentru a interpreta istoricul de preferințe ale unui utilizator pentru fețele pe care le întâlnește în timp ce navighează prin potențiali parteneri.

Articolul științific se intitulează – poate într-un mod dezamăgitor – Imaginile sunt tot ce ai nevoie pentru recomandarea reciprocă în datingul online, și provine de la doi cercetători de la Universitatea din Bristol, îmbunătățind semnificativ un sistem similar (numit ImRec) lansat de aceeași echipă în 2020.

În testele efectuate, sistemul a obținut o acuratețe de top în capacitatea de a prezice potriviri reciproce între utilizatori, îmbunătățind nu numai lucrările cercetătorilor din 2020, ci și alte sisteme de recomandare bazate pe conținut care iau în considerare informații mai detaliate și textuale din profilurile de dating.

Date reale din lumea reală

TIRR a fost antrenat pe informații furnizate de un serviciu de dating online “popular” cu “câțiva milioane de utilizatori înregistrați”, care permite utilizatorilor să comunice unii cu alții doar după ce și-au “plăcut” reciproc profilurile. Subansamblul de date utilizat a inclus 200.000 de subiecți, împărțiți în mod egal între bărbați și femei, și aproximativ 800.000 de preferințe exprimate de utilizatori pe toate profilurile de dating.

Deoarece serviciul de dating anonim care a furnizat datele nu susține decât potriviri heterosexuale, doar potrivirile între bărbați și femei au fost acoperite în cercetare.

TIRR îmbunătățește proiectele anterioare de sisteme de recomandare reciprocă (RRS) din acest domeniu prin calcularea directă a probabilității unei potriviri între două profiluri, bazată exclusiv pe imagini din profil. Sistemele anterioare au prevăzut două preferințe unidirecționale și apoi le-au agregat pentru a obține o previziune.

Cercetătorii au exclus utilizatorii care fuseseră eliminați de pe serviciul de dating (din orice motiv, inclusiv plecarea voluntară), și au exclus profilurile care nu includeau fotografii cu fețe.

Istoricul utilizatorilor a fost limitat la un an în urmă, pentru a evita posibile anomalii care ar fi putut apărea pe măsură ce site-ul de dating și-a modificat algoritmii de-a lungul timpului. De asemenea, au fost limitați la un maximum de 15 preferințe ale utilizatorilor, deoarece acestea s-au dovedit a fi suficiente pentru a demonstra proiectarea modelului, în timp ce utilizarea mai extinsă a preferințelor a deteriorat performanța și a prelungit timpul de antrenament.

În plus, unii dintre utilizatorii mai entuziaști sau pe termen lung aveau istorici cu mii de preferințe, ceea ce ar fi putut risca să influențeze greutatea caracteristicilor obținute și să prelungească timpul de antrenament.

Rețea Siamesă

TIRR este formulat utilizând o rețea Siamesă, de obicei utilizată pentru ‘învățarea cu un singur exemplu’.

O rețea Siamesă de tip, unde rețelele neuronale convolutive paralele (CNN) împărtășesc greutăți, dar nu date. Ele împărtășesc, de asemenea, o funcție de pierdere derivată din ieșirile fiecărui CNN și o etichetă de adevăr. Sursă: https://arxiv.org/pdf/2108.11714.pdf

Rețeaua a fost antrenată utilizând entropie cruză binară, o funcție de pierdere comună în rețelele neuronale, și una pe care cercetătorii au găsit-o a oferi rezultate superioare comparativ cu pierderea contrastivă. Aceasta din urmă este cea mai eficientă în sisteme care evaluează paritatea dintre două fețe, dar deoarece acesta nu este obiectivul TIRR, este o abordare care se desfășoară prost în acest context.

Este necesar ca sistemul să păstreze și să construiască informații pe care le dezvoltă pe măsură ce antrenează de mai multe ori peste aceleași date, și rețeaua Siamesă din TIRR utilizează o rețea LSTM (Memorie pe Termen Lung – Scurt) pentru a lua aceste decizii și pentru a se asigura că caracteristicile considerate relevante nu sunt eliminate aleatoriu pe măsură ce cadrul își construiește insight-urile.

Arhitectura specifică a rețelei Siamese pentru TIRR.

Cercetătorii au constatat că rețeaua a fost antrenată foarte lent atunci când toate datele au fost introduse, și ulterior au împărțit antrenamentul în trei etape utilizând trei subseturi diferite de date. Există un avantaj suplimentar în acest sens, deoarece experimentele din 2020 ale cercetătorilor au demonstrat deja că antrenarea bazelor de date masculine și feminine separat îmbunătățește performanța unui sistem de recomandare reciprocă.

Descompunerea sesiunilor separate de antrenament pentru rețeaua Siamesă a TIRR.

Testare

Pentru a evalua performanța TIRR, cercetătorii au păstrat o parte din datele obținute și le-au rulat prin sistemul complet convergent. Cu toate acestea, deoarece sistemul este destul de nou, nu există sisteme anterioare direct analoge cu care ar putea fi comparat.

Prin urmare, cercetătorii au stabilit mai întâi o curbă de caracteristică a receptorului (ROC) pentru rețeaua Siamesă, și apoi au utilizat Uniform Manifold Approximation and Projection pentru reducerea dimensionalității (UMAP) pentru a reduce vectorii de 128 de dimensiuni pentru o vizualizare ușoară, în scopul de a stabili un flux coerent de “plăceri” și “neplăceri”.

În stânga, curba ROC a rețelei Siamese ca indicator de bază al performanței; în dreapta, vizualizarea UMAP arată ‘plăceri’ în roșu, ‘neplăceri’ în negru.

TIRR a fost testat împotriva filtrelor colaborative și a sistemelor bazate pe conținut cu un scop similar, inclusiv lucrările anterioare ale cercetătorilor ImRec (a se vedea mai sus), și RECON, un RRS din 2010, precum și algoritmii de filtrare colaborativă RCF (un sistem de recomandare pentru dating din 2015 bazat pe conținutul textului din profilurile de dating) și LFRR (un proiect similar din 2019).

În toate cazurile, TIRR a fost capabil să ofere o acuratețe superioară, deși doar marginală în comparație cu LFRR, posibil indicând factori de corelare între conținutul textului din profil și nivelul de atractivitate perceput al subiecților din profil.

Aproape-paritatea dintre TIRR bazat pe imagini și LFRR mai axat pe text permite cel puțin două posibilități: că percepția utilizatorilor asupra atractivității vizuale este influențată de conținutul textului din profil; sau că conținutul textului primește o atenție și o aprobare mai mare decât ar fi putut apărea dacă imaginea asociată nu ar fi fost percepută ca atractivă.

Pentru motive evidente, echipa de cercetare nu este în măsură să facă publică baza de date sau codul sursă pentru TIRR, dar încurajează alte echipe să reproducă și să confirme abordarea lor.

n.b Imaginile utilizate în ilustrația principală sunt de la thispersondoesnotexist.com.