В рамках проекта предпологается создание телеграмм бота для знакомств. Приложение будет запрашивать информацию у пользователя (как табличные данные вроде возраста, пола и тд, так и текстовое описание в свободной форме). Далее пользователю будет предоставлен список других юзеров, которые наилучшим образом подходят для знакомства.
Oleg Bobrov, M4150
В статье обсуждаются рекомендательные системы, основанные на теории соответствия в онлайн-знакомствах. В нем освещаются проблемы, с которыми сталкиваются системы взаимных рекомендаций (RRS) при учете взаимных интересов и возможностей пользователей. В статье исследуется применение теории соответствия для решения этих проблем. В документе также описывается текущий проект по развертыванию рекомендательной системы, основанной на теории соответствия (MTRS), на реальной платформе онлайн-знакомств. Обсуждаются проблемы масштабируемости и алгоритмической справедливости в MTRS, а также потенциальные направления будущих исследований.
Данная статья дейтсвительно поднимает важную проблему взаимного сопоставления, однако гипотеза состоит в том, что большая языковая модель способна по предоставленным описаниям учесть потребности обоих сторон приложения знакомств.
Автор предоставляет статистику после анализа более 2000 профилей в приложении для знакомств. Можно заметить, что пользователя в своих коротких описаниях действительно указыват как свои потребности в партнере, так и указывают свои личные качества. Эти данные могут позволить решить проблему взаимного матчинга.
Планируется разработать двухуровневую рекоммендательную систему - на первом этапе будут отбираться кандидаты при помощи поиска наиболее релевантных юзеров по текстовому описанию. На второй стадии данный список будет ранжирован с учетом различных признаков и агрегатов из анкет. В финальной выдаче списки будут отфильтрованы на основаниии табличных запросов пользователя. Для получения текстовых эмбедингов будем использовать предобученный BERT, будем искать ближайших соседей с помощью ANN поиска и отдавать полученый списко id кандидатов. По полученым id достанем признаки для ранжирования и отранжируем кандидатов с помощью CatBoost - затем отдадим полученную выдачу пользователю.
Предпологается использовать уже предобученную модель, которая хорошо умеет суммаризировать тексты - тем самым мы получим эмбединги, которые содержат много полезной информации о пользователе. На этапе же ранжирования на основе большего числа признаков от юзера мы сможем сформировать более релевантную выдачу с учетом всех подробностей из анкеты.
TODO
TODO