ПОЧЕМУ МАШИННОЕ ОБУЧЕНИЕ СТАЛИ ИСПОЛЬЗОВАТЬ В СЕРВИСАХ ДЛЯ ЗНАКОМСТВ?
Одна из, пожалуй, самых гуманных серий “Черного зеркала” — “Повесь диджея” посвящена истории молодых людей, которые используют Карманную Систему для поиска “идеального партнера”. Карманная Система, или Тренер, представляет из себя нечто вроде сочетания интеллектуального голосового помощника Siri и приложения для знакомств Tinder.
Алгоритмы Тренера находят идеальную пару с точностью до 99,8%. До недавнего времени в реализацию такой системы верилось с трудом, однако эпидемия коронавируса внесла свои коррективы. Вслед за ростом акций сервисов удаленной видеосвязи и доставки продуктов, акции ведущих сервисов для знакомств выросли на 25–30%, а прирост пользователей составил 70–100%. Приток финансов, а также новых пользовательских данных, позволил компаниям всерьёз заняться улучшением своих алгоритмов.
Итак, какие технологии используются для искусственного помощника-свата? В первую очередь, это такие же рекомендательные системы, с которыми мы сталкиваемся в YouTube, Instagram или Яндекс.Музыке. Их можно разделить на две категории. Первая — совместная рекомендательная система (collaborative filtering), использует предположение о том, что люди, имеющие схожие шаблоны поведения, склонны выбирать одинаковые услуги. Машинное обучение здесь используется для определения нового пользователя в соответствующую группу людей. В качестве начальных данных для работы алгоритма зачастую используется стартовый опрос. Вторая категория — рекомендательная система, основанная на содержании (content-based filtering). Для работы алгоритма используются как анкетные данные профиля, так и история предыдущих взаимодействий с сервисом. В результате создается виртуальный профиль предпочтений пользователя, а машинное обучение применяется, чтобы соотнести услуги сервиса с предполагаемыми предпочтениями.
Каждая система по отдельности плохо подходит для сервисов знакомств. Первая система плохо учитывает индивидуальность каждого человека, что важно при поиске пары, а вторая часто составляет ошибочные профили предпочтений, поскольку пользователи склонны привирать о себе, особенно в анкетах для сервисов знакомств. Поэтому на практике используют гибридную систему из обоих алгоритмов.
ЗАЧЕМ РАЗРАБОТЧИКАМ ТЕОРИЯ ИГР?
Подобная рекомендательная система имеет ещё одну важную особенность. К счастью для нас, в мультимедийных системах рекомендаций выбранный фильм или аудиотрек не должен отвечать нам взаимностью. Поэтому рекомендация считается успешной, когда предложенный контент был просто просмотрен или прослушан. Но разработчикам приложений для знакомств важно двустороннее взаимодействие. Другими словами, рекомендация успешна, когда обе стороны удовлетворены предложением сервиса (друг другом). Как алгоритм получает такую информацию? Обычно в качестве подтверждения успеха разработчики алгоритмов используют данные об обмене сообщениями между двумя пользователями. Содержание сообщений при этом остается приватным, а анализируется количество сообщений, их длина и среднее время ответа.
Взаимодействие интересов и предпочтений двух или множества сторон изучается специальным разделом математики — теорией игр. В теории игр анализируются оптимальные стратегии и подходы, ведущие к успеху, с учетом возможных поступков всех участников. Методы теории игр чаще всего применяются в рыночной экономике, бизнесе и международных отношениях, но иногда находят применение в повседневной жизни. К слову, знаменитая в теории игр книга “Two-Sided Matching: A Study in Game-Theoretic Modeling and Analysis” была посвящена двум вещам: экономическому взаимодействию и… брачным отношениям.
КАКИМИ СОВЕТАМИ МОГУТ ПОДЕЛИТЬСЯ СЕРВИСЫ ДЛЯ ЗНАКОМСТВ?
Особенности работы рекомендательных алгоритмов и то, какие именно данные используются для обработки, — коммерческая тайна каждого из сервисов. Тем не менее, анализируя данные своих пользователей, компании зачастую приходят к одинаковым интересным выводам, которыми иногда делятся. Вот некоторые из них:
- Большая часть успеха профиля — визуальное представление. Именно по этой причине сервисы и приложения для знакомств добавили возможность делать фотокарусели и сторис как, например, в Instagram. Для того чтобы оценить насколько ваше фото подходит к странице сервиса для знакомств, можно воспользоваться нейросетевыми алгоритмами Photofeller или SmartPhotos.
- Несмотря на значимость визуального представления, наличие описания “о себе” в профиле — важная деталь. Пользователи с описанием успешнее в поисках партнёра в 1,5 раза. Однако не стоит увлекаться — слишком длинное описание вредит (видимо, отводит мысли от крутости ваших фото).
- Пользователи склонны обращать внимание на вредные привычки при самостоятельном выборе партнера, но когда вероятный партнер сам выбирает их, те же самые вредные привычки благополучно не принимаются во внимание. Другими словами, пользователи более строги к своему выбору и более благосклонны к тому, кто выбирает их.
- Мужская часть пользователей сервисов для знакомств больше концентрируется на собственном выборе, в то время как женская часть — на взаимном интересе. С точки зрения работы алгоритма женское поведение более рационально.
Ещё больше любопытного в Телеграм-канале:
