¿Qué tipo de aprendizaje automático debería usar Tinder para mejorar su número de coincidencias?

El problema con este caso de uso en particular es que los sistemas de recomendación normales funcionan con películas o los elementos de Amazon no necesariamente funcionan con personas.

Una idea podría ser encuestar o recopilar datos (navegación en línea, compras, redes sociales, etc.) de parejas a largo plazo sobre sus intereses y personalidad y usar eso para entrenar un algoritmo de coincidencia basado en etiquetas. Pero el problema es que diferentes personas están buscando diferentes cualidades que no se derivan matemáticamente fácilmente, por lo que es necesario introducir la aleatoriedad. Esto puede ser una aleatoriedad completa o de alguna manera, como voltear completamente la mitad o algún porcentaje aleatorio de las etiquetas sugeridas (esta es una ligera alteración de una idea mencionada en Head First PHP).

La solución más simple que se me ocurrió en este momento es con respecto al género de interés del género objetivo como películas y el género objetivo como usuarios. En esa configuración, utilice algoritmos básicos del sistema de recomendación. Por ejemplo, desde el punto de vista masculino, se muestran mujeres (con suerte :)). Entonces los perfiles femeninos son metafóricamente películas y los perfiles masculinos son los usuarios. Aplique algún tipo de factorización matricial o incluso medida de similitud utilizando sus gustos como vectores de características dispersos largos. En ambos casos, con respecto a las similitudes intencionales entre usuarios, puede sugerir más a los demás, por supuesto, no olvide buscar distancias de ubicación.

Stanford NLP Group en Twitter

Tinderbox: automatice sus citas con una visión simple por computadora y Stanford NLP Sentiment http://crockpotveggies.com/2015/02/09/automating-tinder-with-eigenfaces.html… #nlproc pic.twitter.com/WLl9yFGOUb