Matchmaking mit Deep Learning: Empfehlungssysteme für Dating

· Thomas Wood
Matchmaking mit Deep Learning: Empfehlungssysteme für Dating

Finden Sie Top-NLP-Talente!

Suchen Sie Experten in Natürlicher Sprachverarbeitung? Veröffentlichen Sie Ihre Stellenangebote bei uns und finden Sie heute Ihren idealen Kandidaten!

Veröffentlichen Sie einen Job

Empfehlungssysteme im Einzelhandel

Wenn Sie schon einmal etwas bei Amazon oder anderen großen Online-Händlern gekauft haben, sind Ihnen die „ähnlichen Produkte“ aufgefallen, die Ihnen die Website nach dem Kauf empfiehlt. Manchmal sind sie nicht der beste Vorschlag, aber meiner Erfahrung nach treffen sie meistens ins Schwarze.

Dies ist ein Bereich des maschinellen Lernens, der Empfehlungssysteme genannt wird.

Wie funktionieren Empfehlungssysteme? Bei Online-Händlern besteht die Standardvorgehensweise darin, riesige Matrizen auszufüllen und die Beziehungen zwischen verschiedenen Produkten herauszuarbeiten. Sie können dann sehen, welche Produkte normalerweise zusammen in den gleichen Warenkorb passen, und entsprechende Empfehlungen aussprechen. Dies wird als kollaboratives Filtern bezeichnet und funktioniert vor allem deshalb, weil die meisten Produkte tausende oder Millionen Mal gekauft wurden, sodass wir die Muster erkennen können.

A table of products and how often they are bought together. This is the basis of collaborative filtering, which is one recommender systems algorithm.

Fast Data Science - London

Need a business solution?

Seit 2016 führend in den Bereichen NLP, ML und Data Science – kontaktieren Sie uns für eine NLP-Beratungssitzung.

Eine Tabelle mit Produkten und wie oft sie zusammen gekauft werden. Dies ist die Grundlage der kollaborativen Filterung, einem Algorithmus von Empfehlungssystemen.

Empfehlungssysteme für Dating

Stellen Sie sich nun vor, Sie betreiben eine Dating-Website. Vereinfachen wir es so, dass Ihre Website nur für Paarungen zwischen Männern und Frauen geeignet ist. Wie empfiehlt man einem gerade registrierten männlichen Benutzer eine Frau?

Dann wird es knifflig. Es gibt viele Benutzer, ständig registrieren sich neue Benutzer und die meisten Benutzer haben nur wenige Kontaktanfragen gestellt.

In diesem Fall können wir mit dem arbeiten, was wir haben:

  • Der Profiltext des Benutzers
  • Das Profilfoto
  • Die Kontaktanfragen, falls vorhanden.

Empfehlungssysteme für Text

Ein Ansatz, den ich gerne verwende, ist ein Deep-Learning-Ansatz namens Vector Embeddings , der so aussieht:

  • Sie können jeden Profiltext in einen „Fingerabdruck“ umwandeln. Beispielsweise könnte es sich um einen Vektor im 100-dimensionalen Raum handeln.
  • Der 100-dimensionale Vektor allein ist bedeutungslos, aber Menschen mit ähnlichen Vorlieben sollten am Ende ähnliche Vektoren haben.
  • Wenn Sie einem neuen Benutzer Empfehlungen geben möchten, können Sie seinen Vektor und die Entfernung zu anderen Vektoren berechnen und seine nächsten Nachbarn finden!
A dating recommender system might assign all users to a location in vector space, and match users who appear close together.

Ein Dating-Empfehlungssystem könnte alle Benutzer einem Ort im Vektorraum zuordnen und Benutzer zuordnen, die nahe beieinander erscheinen.

Der knifflige Teil ist natürlich, wie man von einem Profiltext und -bild zu einem Vektor übergeht. Darin sind Convolutional Neural Networks (CNNs) sehr gut.

Anwendungen textbasierter Empfehlungssysteme in anderen Branchen

Vektoreinbettungen können auch für Empfehlungen in anderen Branchen nützlich sein:

  • Rekrutierungswebsites, auf denen Kandidaten einen Lebenslauf hochgeladen haben und Sie Jobs empfehlen möchten.
  • Immobilienverkäufe, bei denen Sie eine Beschreibung des Hauses und ein Foto haben.
A house sale website recommender system might need to make use of text and image data

Ein Empfehlungssystem für eine Hausverkaufs-Website muss möglicherweise Text- und Bilddaten verwenden

Es gibt handelsübliche Empfehlungssysteme, die Sie für Online-Einzelhandels- oder Filmempfehlungen verwenden können. Aber für text- oder bildbasierte Empfehlungen braucht man eigentlich eine individuelle Lösung, und diese ist äußerst komplex zu erstellen.

Ich habe Fast Data Science Ltd gegründet, um Beratungsdienste in diesem Bereich anzubieten, nachdem ich 10 Jahre Erfahrung in der Arbeit mit maschinellem Lernen auf Daten in natürlicher Sprache gesammelt habe. Wenn Sie über viele Text- oder Bilddaten verfügen und ein benutzerdefiniertes Empfehlungssystem erstellen möchten, würde ich mich freuen, von Ihnen zu hören. Bitte kontaktieren Sie mich hier oder schreiben Sie unten einen Kommentar.

Entdecken Sie Ihre Zukunft in NLP!

Tauchen Sie ein in die Welt der Natürlichen Sprachverarbeitung! Entdecken Sie modernste NLP-Rollen, die zu Ihren Fähigkeiten und Leidenschaften passen.

NLP-Jobs entdecken

Big-Data-Beratung – 4 häufigste Probleme gelöst
Data scienceBig data

Big-Data-Beratung – 4 häufigste Probleme gelöst

Mittlerweile sind es Organisationen aller Größenordnungen und fast aller Sektoren werden zunehmend datengesteuert, insbesondere als größere Datenspeicher Systeme und schnellere Computer treiben die Leistungsgrenzen immer weiter voran.

Zwei Revolutionen im Abstand von 200 Jahren: die Datenrevolution und die industrielle Revolution
Ai and societyData science

Zwei Revolutionen im Abstand von 200 Jahren: die Datenrevolution und die industrielle Revolution

Aufgrund des umfangreichen Einsatzes von Technologie und der Arbeitsteilung hat die Arbeit des durchschnittlichen Gig-Economy-Arbeiters jeden individuellen Charakter und damit auch jeden Charme für den Arbeitnehmer verloren.

KI im Personalwesen: Die Zukunft der Arbeit verändern
Ai and societyData science

KI im Personalwesen: Die Zukunft der Arbeit verändern

Die Auswirkungen von KI auf die Humanressourcen Die Arbeitswelt verändert sich rasant, sowohl aufgrund der Einführung traditioneller Data-Science-Praktiken in immer mehr Unternehmen als auch aufgrund der zunehmenden Beliebtheit generativer KI-Tools wie ChatGPT und Googles BARD bei nicht-technischen Arbeitnehmern.

What we can do for you

Transform Unstructured Data into Actionable Insights

Contact us