Sadece Görseller Üzerinden Çalışan Bir Yapay Zeka Arkadaş Bulma Sistemi

Araştırmacılar, İngiltere’den nöral ağları kullanarak, yalnızca iki kullanıcının birbirlerinin fotoğraflarına ilgi duyup duymadıklarını dikkate alan (iş, yaş, vb. profil bilgilerini değil) tamamen görsel tabanlı bir arkadaş bulma sistemi geliştirdiler ve bu sistemin daha “yüzeysel” sistemlerden daha iyi performans gösterdiğini buldular.

Sonuçlanan sistem, Temporal Image-Based Reciprocal Recommender (TIRR) olarak adlandırılmış ve kullanıcının tarihindeki yüz tercihlerini yorumlamak için Recurrent Neural Networks (RNNs) kullanır.

Makale, belki de ürkütücü bir şekilde, Çevrimiçi Arkadaşlık için Karşılıklı Öneri İçin Sadece Fotoğraflar Gerekir olarak adlandırılmış ve Bristol Üniversitesi’nden iki araştırmacı tarafından yazılmıştır. Bu sistem, aynı ekibin 2020 yılında yayınladığı benzer bir sistem olan ImRec sistemini önemli ölçüde geliştirmiştir.

Testlerde, sistem, kullanıcılar arasındaki karşılıklı eşleştirmeleri öngörme yeteneğinde devlet-sanat accuracy elde etti ve sadece 2020 yılında yapılan çalışmanın üzerine değil, aynı zamanda metin tabanlı profil bilgilerini dikkate alan diğer içerik tabanlı arkadaşlık öneri sistemlerinin üzerine çıktı.

Gerçek Dünya Arkadaşlık Veri Seti

TIRR, yalnızca kullanıcıların birbirlerinin profillerini beğendikleri takdirde birbirleriyle iletişim kurabildikleri bir arkadaşlık hizmetinden alınan kullanıcı bilgileriyle eğitilmiştir. Veri seti, 200.000 konu dahil olmak üzere yaklaşık 800.000 kullanıcı tercihi içermektedir ve veriler erkek ve kadın kullanıcılar arasında eşit olarak bölünmüştür.

Araştırmada, yalnızca heteroseksüel eşleştirmeler dikkate alınmıştır, çünkü veri sağlayan arkadaşlık hizmeti yalnızca bu tür eşleştirmeleri desteklemektedir.

TIRR, önceki karşılıklı öneri sistemlerinden farklı olarak, iki profil arasındaki eşleşme olasılığını doğrudan hesaplar. Önceki sistemler, iki yönlü tercihleri öngörür ve sonra bunları birleştirirdi.

Araştırmacılar, arkadaşlık hizmetinden çıkarılan kullanıcıları ve yüz fotoğrafı içermeyen profilleri veri setinden çıkarmışlardır.

Kullanıcı tarihleri, bir yıl geriye dönük olarak sınırlandırılmış ve her bir kullanıcının tercihlerinin sayısı 15 ile sınırlandırılmıştır. Bu, modelin tasarımını kanıtlamak için yeterli olduğu ve daha geniş tercih kullanımı performansını düşürdü ve eğitim süresini artırdığı için yapılmıştır.

Bazı kullanıcıların binlerce tercihi vardı ve bu, özelliklerin ağırlığını değiştirebilirdi ve eğitim süresini uzatabilirdi.

Siamese Ağ

TIRR, Siamese ağ kullanılarak formüle edilmiştir. Bu ağ, genellikle ‘tek atış’ öğrenme için kullanılır.

Paralel Konvolüsyonel Sinir Ağları (CNN) ile bir şablon Siamese ağı, ağırlıkları paylaşırlar ancak verileri paylaşırlar. Ayrıca, her bir CNN’nin çıktılarından türetilen bir kayıp fonksiyonu ve bir temel gerçeklik etiketi paylaşırlar. Kaynak: https://arxiv.org/pdf/2108.11714.pdf

Ağ, ikili cross-entropy kaybı fonksiyonu ile eğitilmiştir. Bu, nöral ağlarda yaygın olarak kullanılan bir kaybı fonksiyonudur ve araştırmacılar, bu fonksiyonun karşıt kaybı fonksiyonuna göre daha iyi sonuçlar verdiğini bulmuşlardır. Karşıt kaybı fonksiyonu, iki yüz arasındaki pariteyi değerlendiren sistemlerde daha etkili olsa da, TIRR’nin amacı bu olmadığı için bu fonksiyon bu bağlamda kötü performans göstermektedir.

Sistem, tekrar tekrar aynı verileri işlerken geliştirdiği bilgileri saklayabilmesi ve üzerine inşa edebilmesi için bir LSTM (Uzun Kısa Süreli Hafıza) ağı kullanır.

TIRR için özel Siamese ağ mimarisi.

Araştırmacılar, ağın tüm verileri girdi olarak aldığında çok yavaş eğitildiğini bulmuşlardır. Bu nedenle, eğitimi üç aşamaya bölmüşler ve her bir aşama için farklı veri alt kümelerini kullanmışlardır. Ayrıca, önceki deneylerinde, erkek ve kadın veri setlerini ayrı ayrı eğitmek, karşılıklı öneri sistemlerinin performansını iyileştirdiğini göstermiştir.

TIRR’nin Siamese ağı için ayrı eğitim seanslarının açıklaması.

Test Edilmesi

TIRR’nin performansını değerlendirmek için, araştırmacılar elde ettikleri verilerin bir kısmını ayırıp, tamamen eğitilmiş sistemi kullanarak test etmişlerdir. Ancak, sistem oldukça yenidir ve doğrudan karşılaştırma yapılacak benzer sistemler bulunmamaktadır.

Bu nedenle, araştırmacılar önce, Siamese ağı için bir Alıcı İşlem Eğrisi (ROC) temel çizgisi oluşturmuşlar ve sonra da 128 boyutlu vektörleri kolayca görselleştirebilmek için Uniform Manifold Approximation and Projection for Dimensionality Reduction (UMAP) kullanmışlardır.

Sol tarafta, Siamese ağı için ROC temel çizgisi; sağ tarafta, UMAP görselleştirmesi ‘beğenileri’ kırmızı, ‘beğenmeyileri’ siyah olarak gösterir.

TIRR, benzer kapsamlı diğer içerik tabanlı ve işbirlikçi filtreleme tabanlı arkadaşlık öneri sistemleriyle karşılaştırılmıştır. Bu sistemler arasında, araştırmacıların önceki çalışması ImRec, 2010 yılından RECON, 2015’ten RCF ve 2019’dan LFRR bulunmaktadır.

Tüm karşılaştırmalarda, TIRR daha iyi doğruluk elde etmiştir, ancak LFRR ile arasındaki fark yalnızca marjinaldir. Bu, profil metin içeriği ile fotoğrafların çekiciliği arasındaki olası korelasyonları gösterebilir.

TIRR ile LFRR arasındaki yakın performans, iki olasılığa işaret edebilir: kullanıcıların fotoğrafların çekiciliğine olan algıları, profil metin içeriği tarafından etkileniyor olabilir veya metin içeriği, fotoğraflar çekici bulunmadığında daha fazla dikkat ve onay alıyor olabilir.

Araştırmacılar, TIRR için kullanılan veri setini veya kaynak kodunu yayımlayamayacaklarını, ancak diğer ekiplere yaklaşımını tekrarlamaları ve doğrulamaları için teşvik ediyorlar.

n.b Ana görseldeki resimler thispersondoesnotexist.com’dan alınmıştır.