changed 4 years ago  
Linked with GitHub

基於社群網路分析的交友軟體推薦系統

tags: MLG

簡報網址：hackmd.io/@kuouu/MLG_final
提案簡報：hackmd.io/@kuouu/MLG_final_proposal

Introduction

AInimal 人工智慧社群養成

Image Not Showing Possible Reasons
  • The image file may be corrupted
  • The server hosting the image is unavailable
  • The image path is incorrect
  • The image format is not supported
Learn More →

網頁版 👉 ainimal.io

目前配對機制

Image Not Showing Possible Reasons
  • The image file may be corrupted
  • The server hosting the image is unavailable
  • The image path is incorrect
  • The image format is not supported
Learn More →

  1. 符合篩選條件
  2. 當天有上線
  3. 隨機

改良–基於個人特質的聊天活絡程度預測

Google Colab

Image Not Showing Possible Reasons
  • The image file may be corrupted
  • The server hosting the image is unavailable
  • The image path is incorrect
  • The image format is not supported
Learn More →

正確率

train accuracy: 0.78
test accuracy: 0.62

可能原因：

  • 模型太過簡單
  • 人格特質不適合作為聊天活絡程度的評斷標準
  • ？？？

人格特質或許跟交友有關，但沒有辦法確定是“很像的人”還是“不像的人”容易成為朋友，甚至是情侶（大多數人用交友軟體的目的）

比起個性或興趣，我認為成為朋友的契機更注重於一些當下的因素，心情、場域、機緣等，因此決定使用社群網路來做推薦系統，並進行分析

配對成功？

會回訊息

聊得很熱絡

真命天子/女、一生的好朋友

軟體宗旨是找到真命天子/女，但得知後續發展可能要做調查，在訓練上會難以做標記，所以退一步到找到很會聊的人

Relative Work

Algorithm

程式碼 👉 github.com/erickuo5124/MLG_final

rule base

rule base

依據當下的平均聊天量由高至低做推薦

\[ 平均聊天量 = \frac{\sum_{聊天室}聊天字數}{聊天室數量} \]

期望結果

  • 會聊天的人優先，會“被”配對到很多人
  • 不會聊天的人比較不會被主動配對到
  • 在時間內配對到一定程度會讓聊天量下降，後面順位的人往上排名

解決的問題

  • 配對到的人最近一定有在玩，而且很活躍
  • 雙方至少有一人有一定的社交程度，造成尷尬開場的機率較低（難聊的人不會互相遇到）
  • 聊天室數量增加會降低平均聊天量，因此過度配對會降低排名，不會有某個人一直配對到超多人的情況
  • 與比較會聊的人配對，增加社交能力較低的人的自信

pseudo code

  1. get G
  2. get user_list
  3. remove random edge, get G’
  4. get rec_list by G’
  5. validation

GNN

GNN

用 GCN 得到 node embedding ，並使用 similarity 做 user user 的 Collaborative Filtering

  1. GCN 學習 node embedding
  2. 做 user user 的 CF

Experiment

Evaluation: recall

\[ Recall(pred, label) = \frac{pred 出現在 label\_list 出現次數}{label\_list 的長度} \]

Data set

資料名稱 數量
user 5043
chat 290559
friend 22683
  • gid
  • gender
  • animal
  • heart
  • type
  • personality
  • bgm
  • active_time

分別為 2020, 2019 年 11/01～11/15 的資料

  • rule base: < 0.1

其實很多點“沒有往外的邊”，也就是很多使用者沒有在使用，可能只是下載來看一看就再也沒有登入了，因此在加入 user feature 之後，我將不活躍的使用者移除，並按照性別改變顏色，圖形變成如下

  • 在移除不活躍的使用者之後，rule base 的 Recall 提升至約 0.1 ~ 0.2

  • rule base 的 Recall 提升至約 0.1 ~ 0.5
  • GNN 約為 0.4 ~ 0.5（較穩定

問題點

  • 需要每個時間點資料庫的 snapshot，ex: 更新時間、今日登入、交友狀況
  • 移除不活躍的使用者之後資料不足（需要一段時間內的資料
  • 沒有標記的資料

Conclusion

  • 利用圖形來視覺化呈現資料並分析使用者習性
    • 聊天狀況
    • 配對偏好
    • 平均聊天量
  • 使用時間區段內的使用者資料來做配對

future work

  • 利用網路圖來呈現目前使用者的狀況
  • 定期備份資料庫狀態以拿來做訓練
  • 改善軟體配對機制，取得標記資料

END

Select a repo