ระบบแนะนำคู่รักอัจฉริยะที่อาศัยภาพถ่ายเท่านั้น

นักวิจัยจากสหราชอาณาจักรได้ใช้เครือข่ายประสาทเทียมเพื่อพัฒนาระบบแนะนำคู่รักที่อาศัยภาพถ่ายเท่านั้นสำหรับการจับคู่ออนไลน์ ซึ่งพิจารณาเฉพาะว่าผู้ใช้สองคนถูกดึงดูดโดยภาพถ่ายของกันและกัน (มากกว่าข้อมูลโปรไฟล์ เช่น อาชีพ อายุ เป็นต้น) และพบว่าระบบนี้มีประสิทธิภาพมากกว่าระบบที่ไม่ “ผิวเผิน” ในการหาคู่ที่แม่นยำ

ระบบที่ได้รับผลลัพธ์นี้เรียกว่า Temporal Image-Based Reciprocal Recommender (TIRR) และใช้เครือข่ายประสาทเทียมแบบเรียกซ้ำ (RNNs) เพื่อตีความประวัติการชอบหน้าของผู้ใช้ขณะกำลังเลือกคู่ที่อาจเหมาะสม

บทความวิจัย เรื่องนี้ มีชื่อเรื่องว่า “รูปภาพคือทั้งหมดที่คุณต้องการสำหรับการแนะนำคู่รักแบบตอบโต้ในออนไลน์” และมาจากนักวิจัยสองคนจากมหาวิทยาลัยบริสตอล ซึ่งปรับปรุงระบบที่คล้ายกัน (เรียกว่า ImRec) ที่ทีมเดียวกันเผยแพร่ในปี 2020

ในการทดสอบ ระบบนี้ได้ผลลัพธ์ที่แม่นยำสูงสุดในการคาดการณ์การจับคู่แบบตอบโต้ระหว่างผู้ใช้ ซึ่งดีกว่างานวิจัยของทีมนี้ในปี 2020 และระบบอื่นๆ ที่อาศัยข้อมูลรายละเอียดจากโปรไฟล์ออนไลน์

ชุดข้อมูลการเดทในโลกแห่งความเป็นจริง

TIRR ถูกฝึกฝนโดยใช้ข้อมูลจากบริการจับคู่ออนไลน์ที่ไม่ระบุชื่อซึ่งมีผู้ใช้ลงทะเบียนหลายล้านคน และอนุญาตให้ผู้ใช้พูดคุยกันเมื่อทั้งสองคนชอบโปรไฟล์ของกันและกัน ชุดข้อมูลที่ใช้ประกอบด้วยผู้ใช้ 200,000 คน โดยแบ่งเท่าๆ กันระหว่างชายและหญิง และมีการแสดงความชอบของผู้ใช้ประมาณ 800,000 ครั้ง

เนื่องจากบริการจับคู่ออนไลน์ที่ให้ข้อมูลนี้รองรับการจับคู่เพียงระหว่างชายและหญิงเท่านั้น การวิจัยจึงพิจารณาเฉพาะการจับคู่ระหว่างชายและหญิง

TIRR มีการปรับปรุงการออกแบบระบบแนะนำคู่รักแบบตอบโต้โดยการคำนวณความน่าจะเป็นของการจับคู่ระหว่างสองโปรไฟล์โดยพิจารณาเฉพาะจากภาพโปรไฟล์ ระบบก่อนหน้านี้พยากรณ์ความชอบทิศทางเดียวสองครั้งแล้วรวมกันเพื่อให้ได้ผลลัพธ์

นักวิจัยไม่รวมผู้ใช้ที่ถูกลบออกจากบริการจับคู่ออนไลน์ (ด้วยเหตุผลใดๆ รวมถึงการลาออกด้วยตัวเอง) และไม่รวมโปรไฟล์ที่ไม่มีรูปภาพที่แสดงใบหน้า

ประวัติการใช้งานของผู้ใช้ถูกจำกัดไว้ไม่เกินหนึ่งปีเพื่อหลีกเลี่ยงปัญหาที่อาจเกิดขึ้นเมื่อเว็บไซต์ปรับเปลี่ยนอัลกอริทึมของตนเอง และจำกัดไว้ไม่เกิน 15 ความชอบของผู้ใช้ เนื่องจากปรากฏว่าจำนวนความชอบนี้เพียงพอสำหรับการพิสูจน์แบบจำลอง และการใช้ความชอบมากขึ้นจะทำให้ประสิทธิภาพลดลงและเพิ่มเวลาในการฝึกอบรม

นอกจากนี้ ผู้ใช้ที่มีประวัติยาวนานหรือมีการใช้งานมากอาจมีประวัติที่มีความชอบหลายพันครั้ง ซึ่งอาจทำให้น้ำหนักของคุณลักษณะที่ได้รับไม่สมดุลและเพิ่มเวลาในการฝึกอบรม

เครือข่าย Siamese

TIRR ถูกสร้างขึ้นโดยใช้เครือข่าย Siamese ซึ่งโดยทั่วไปใช้สำหรับการเรียนรู้แบบ “one-shot”

เครือข่าย Siamese แบบจำลอง โดยที่เครือข่ายประสาทเทียมแบบ卷積 (CNNs) ที่ขนานกันแบ่งปันน้ำหนักแต่ไม่แบ่งปันข้อมูล มีการแบ่งปันฟังก์ชันขาดทุนจากผลลัพธ์ของ CNN แต่ละตัว และป้ายกำกับจริง Source: https://arxiv.org/pdf/2108.11714.pdf

เครือข่ายนี้ถูกฝึกฝนโดยใช้ฟังก์ชันขาดทุนแบบไบนารี่ครอสเอนโทรปี ซึ่งเป็นฟังก์ชันขาดทุนร่วมที่ใช้ในเครือข่ายประสาทเทียม และนักวิจัยพบว่าให้ผลลัพธ์ที่ดีกว่าฟังก์ชันขาดทุนแบบขัดแย้ง

เครือข่าย Siamese ใน TIRR ใช้เครือข่าย LSTM (Long Term Short-Term Memory) เพื่อการตัดสินใจและรักษาความสำคัญของคุณลักษณะที่พิจารณา

สถาปัตยกรรมเครือข่าย Siamese สำหรับ TIRR

นักวิจัยพบว่าเครือข่ายฝึกฝนช้ามากเมื่อใช้ข้อมูลทั้งหมด และแบ่งการฝึกออกเป็นสามขั้นตอนโดยใช้ข้อมูลย่อยสามชุด

การแบ่งการฝึกออกเป็นสามขั้นตอนสำหรับเครือข่าย Siamese ของ TIRR

การทดสอบ

เพื่อประเมินประสิทธิภาพของ TIRR นักวิจัยได้แบ่งข้อมูลที่ได้รับออกเป็นส่วนหนึ่งและวิ่งผ่านระบบที่เสร็จสมบูรณ์แล้ว

เนื่องจากระบบนี้เป็นระบบใหม่ จึงไม่มีระบบที่คล้ายกันในการเปรียบเทียบได้

ดังนั้น นักวิจัยจึงตั้งค่าเส้นฐาน Receiver Operating Characteristic Curve (ROC) สำหรับเครือข่าย Siamese ก่อนใช้ Uniform Manifold Approximation and Projection for Dimensionality Reduction (UMAP) เพื่อลดขนาดของเวกเตอร์ 128 มิติให้เล็กลงเพื่อความง่ายในการแสดงผล

เส้นฐาน ROC ของเครือข่าย Siamese ทางซ้าย และการแสดงผล UMAP ที่แสดง ‘ชอบ’ เป็นสีแดง ‘ไม่ชอบ’ เป็นสีดำ

TIRR ถูกทดสอบกับระบบอื่นๆ ที่คล้ายกัน รวมถึงระบบ ImRec ของทีมนี้เอง และระบบ RECON ซึ่งเป็นระบบแนะนำคู่รักแบบตอบโต้จากปี 2010

ในกรณีทั้งหมด TIRR ให้ผลลัพธ์ที่แม่นยำกว่า แต่เพียงเล็กน้อยเมื่อเทียบกับ LFRR ซึ่งอาจบ่งชี้ถึงปัจจัยที่สัมพันธ์กันระหว่างเนื้อหาของโปรไฟล์และความน่าดึงดูดของภาพโปรไฟล์

ความใกล้เคียงระหว่าง TIRR ที่อาศัยภาพและ LFRR ที่อาศัยข้อความบ่งชี้ถึงสองความเป็นไปได้: ความน่าดึงดูดของภาพอาจได้รับอิทธิพลจากเนื้อหาของโปรไฟล์ หรือเนื้อหาของโปรไฟล์อาจได้รับความสนใจและความเห็นชอบมากกว่าที่จะเกิดขึ้นหากภาพที่เกี่ยวข้องไม่น่าดึงดูด

ด้วยเหตุผลที่ชัดเจน ทีมวิจัยไม่สามารถเผยแพร่ชุดข้อมูลหรือโค้ดต้นฉบับของ TIRR ได้ แต่ขอแนะนำให้ทีมอื่นๆ ดำเนินการซ้ำและยืนยันแนวทางของตน

หมายเหตุ: รูปภาพที่ใช้ในภาพประกอบหลักมาจาก thispersondoesnotexist.com