CN116964602A - 使用机器学习推荐匹配 - Google Patents

使用机器学习推荐匹配 Download PDF

Info

Publication number
CN116964602A
CN116964602A CN202280018971.1A CN202280018971A CN116964602A CN 116964602 A CN116964602 A CN 116964602A CN 202280018971 A CN202280018971 A CN 202280018971A CN 116964602 A CN116964602 A CN 116964602A
Authority
CN
China
Prior art keywords
relationship
person
machine learning
attributes
learning engine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202280018971.1A
Other languages
English (en)
Inventor
蒂莫西·迪克·史蒂文斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Di MoxiDikeShidiwensi
Original Assignee
Di MoxiDikeShidiwensi
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Di MoxiDikeShidiwensi filed Critical Di MoxiDikeShidiwensi
Publication of CN116964602A publication Critical patent/CN116964602A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

提供用于推荐人与人之间的匹配的系统和方法。使用人工智能技术来执行数据处理。从关于已经关于关系的质量进行评估的现有关系的经验数据训练监督式机器学习引擎。当提供了两个候选人的属性的输入数据时，候选关系的质量被计算为监督式机器学习引擎的输出。通过将所计算的候选关系的质量与阈值进行比较来预测两个候选人之间的成功关系的可能性。可以通过神经网络来做出该学习任务中的预测。向用户通知可能成为成功关系的候选匹配。

Description

使用机器学习推荐匹配
相关申请的交叉引用
本申请要求于2021年3月4日提交的美国专利申请No.17/192,845的优先权，该专利申请的全部内容在此通过引用并入本文中。
技术领域
主题技术通常涉及推荐人与人之间的匹配，特别是涉及用于推荐成功关系的可能候选的系统和方法。
背景技术
当人们正在寻求与第二人的成功关系时，向他们提供援助是有用的。目前的援助方法主要包括启发式方法和基于规则的匹配。然而，这些方法没有利用来自数据的机器学习。
发明内容
根据主题技术的各个方面，提供用于推荐人与人之间的匹配的方法。该方法包括：从关于已经关于关系的质量进行评估的现有关系的经验数据训练监督式机器学习引擎。该方法还包括：使用经训练的监督式机器学习引擎来评估候选关系以计算候选关系的质量。该方法还包括：通过将所计算的候选关系的质量与阈值进行比较来预测成功关系的可能性。该方法还包括：向用户通知可能成为成功关系的候选匹配。
主题技术的附加特征和优点将在下面的描述中得到阐述，并且部分地将从描述中变得明显，或者可以通过主题技术的实践被学习。将通过在书面描述和所附权利要求以及附图中特别指出的结构来实现和获得主题技术的优点。
应当理解的是，前述的一般描述和以下详细描述两者是示例性和解释性的，并且旨在提供对所要求保护的发明的进一步解释。
附图说明
图1图示了使用监督式机器学习来推荐匹配的总体过程。
图2图示了输入数据类型与输出评估类型的对应关系。
图3图示了使用监督式机器学习来推荐匹配的流程图。
图4图示了用于训练监督式机器学习引擎的数据的属性。
图5图示了训练监督式机器学习引擎的流程图。
图6图示了当新用户加入系统时提供匹配的事件图。
图7图示了用于选择用于匹配的候选的不同准则的维恩图(Venn diagram)。
图8图示了作为成功匹配的期望可能性的函数的监督式机器学习引擎的所需性能的曲线图。
图9图示了采用数据库来存储关于经验关系和用于匹配的候选人的数据的系统的示图，该系统通过网络连接到寻求匹配的用户。
图10图示了残差神经网络的结构。
图11图示了残差神经网络的实现方案。
图12图示了异构混合神经网络的架构。
图13图示了异构混合神经网络的训练。
具体实施方式
使用监督式机器学习来推荐匹配的总体过程
图1图示了使用监督式机器学习来推荐匹配的总体过程。当机器学习从先前已经被评估以便为训练提供基础的训练数据学习时，它是监督式的。过程从训练数据101开始。本示例被简化为示出训练数据中的四个数据项。在说明性实施例中，训练数据会包含许多数据项。每个数据项表示两个人之间的现有关系，这两个人例如在顶部的数据项中被表示为P01和P02。P01的数据项包括关系中的第一人的属性，而P02的数据项包括关系中的第二人的属性。已经针对关系的质量评估了每个现有关系，该质量这里由介于0和1之间的值标记，其中较高的值表示较高的质量。人P25和P26之间的现有关系被标记为较高的质量(0.96)，而人P47和P48之间的现有关系被标记为较低的质量(0.29)。
训练数据包括不同质量的关系是重要的。例如，在将图像分类为猫或非猫的机器学习领域中，训练数据包括被标记为猫的猫的图像，并且包括被标记为非猫的诸如狗或马之类的其他动物的图像。训练数据的该范围允许机器学习识别将猫与其他动物区分开的模式。在将本描述中的技术应用于人与人之间的关系时，训练数据包括具有较高质量的成功关系和具有较低质量的不成功关系。
训练数据101被输入以训练未经训练的监督式机器学习引擎102。将在下文中描述该训练过程的细节。在训练之后，未经训练的监督式机器学习引擎102变为经训练的监督式机器学习引擎103。经训练的监督式机器学习引擎103然后可以接受关系中的第一人104的属性和关系中的第二人105的属性的输入，以输出预测关系的质量的值106。关系中的第一人104的属性的输入可以响应于来自该第一人的请求而被发起。关系中的第一人104的属性的输入可以被定期执行。
本示例被简化为示出作为关系的候选的四个人，被显示为B01、B02、B65和B76。在说明性实施例中，关系的候选人的数据库会包含许多人。诸如B01之类的各候选人的数据项包括该人的属性。类似地，寻求关系的人A 104的数据项包括该人的属性。机器学习引擎103被重复利用，人A 104和一个候选人105之间的每个候选配对一次。机器学习引擎103的每次利用输出两个人之间的关系的数值评估。这产生包括每个关系的数值评估的评估的候选106的列表。评估的候选106的列表中的每个条目记录所匹配的人的标识和预测该关系的质量的数值评估。可以通过将每个关系的数值评估与阈值进行比较以评价它可能是成功的还是不成功的来进行成功关系的可能性的预测。
作为最终步骤，评估的候选106的列表被排序以推荐对于预测的关系质量具有最高值的匹配，从而产生选择的候选107。在本示例中，在评估的候选106的列表中，人A和B65之间的候选关系产生了来自四个候选关系的关系质量的最高预测值。其他实施例可以为关系推荐与多个选择的候选107(诸如三个候选或五个候选或者由系统选择或由寻求关系的人104选择的数量)的匹配。
经训练的监督式机器学习引擎103直接输出评估其属性数据被输入到监督式机器学习引擎103的两个人之间的关系的质量的值。评估的候选106的输出值被直接用于推荐成功候选107。对评估的候选106的输出值的使用不使用任何诸如“物以类聚(birds of afeather flock together)”之类的启发式方法。对评估的候选106的输出值的使用不使用围绕人的特定属性而制定的任何基于规则的方法。由于监督式机器学习引擎103由数据的性质直接驱动，因此数据的性质确定特定的应用。
图2图示了输入数据类型与输出评估类型的对应关系。输入数据201被提供给监督式机器学习引擎202以输出输出评估203。描述正在约会的伙伴1 204和伙伴2 205的数据导致应用监督式机器学习引擎202来预测用于约会人际关系206的候选关系。这里，约会人际关系206可以被理解为术语约会的通常用法，以包括寻找柏拉图式关系、寻找非浪漫关系、寻找朋友、寻找一起玩得开心的人或寻找一起做有趣事情的人。描述处于亲密人际关系中的伙伴1 207和伙伴2 208的数据导致应用监督式机器学习引擎202来预测用于亲密人际关系209的候选关系。这里，亲密人际关系209可以被理解为术语亲密的通常用法，以包括寻找浪漫伙伴、寻找性伙伴、寻找承诺关系、寻找长久的关系或寻找婚姻(无论是合法婚姻、民事结合、家庭伙伴关系还是同居)的伙伴。描述雇主210和雇员211的关系的数据导致应用监督式机器学习引擎202来预测用于雇佣212的候选关系。描述顾问213和客户214的关系的数据导致应用监督式机器学习引擎202来预测用于向客户提供建议215的候选顾问。顾问213可以包括财务顾问、医疗顾问、保险顾问、房地产顾问、法律顾问或其他类型的顾问。描述教师216和学生217的关系的数据导致应用监督式机器学习引擎202来预测用于教导学生218的候选教师。描述玩多人游戏的玩家1 219和玩多人游戏的玩家2 220的关系的数据导致应用监督式机器学习引擎202来预测用于玩多人游戏221的候选人。尽管行业做出了相当大的努力来为约会人际关系、为亲密人际关系、为雇佣候选、为顾问、为教师和为多人游戏的玩家推荐匹配，但尚未如此利用监督式机器学习引擎202的直接输出来解决这些长期以来的需求。
图3图示了使用监督式机器学习来推荐匹配的流程图。这是与图1中的过程相同的过程，在这里被图示为步骤。获得关于现有关系的数据301。用评价关系的质量的值来标记数据301中的每个数据项302。用标记的训练数据302来训练监督式机器学习引擎303。检索寻求关系的人的属性304，并且检索寻求关系的候选人的属性305。操作经训练的监督式机器学习引擎来评估每个候选关系306，以输出预测该关系的质量的值。将每个预测的关系质量值与阈值进行比较307，以评价成功关系的可能性。对于寻求关系305的所有候选人重复该过程直到完成308。向寻求关系的人提供至少一个匹配候选309。
训练监督式机器学习引擎
图4图示了用于训练监督式机器学习引擎的数据的属性。用于训练监督式机器学习引擎405的每个数据项包括现有关系中的人1的属性401、现有关系中的人2的属性402以及人1和人2之间的关系的属性403。现有关系中的每个人的属性401或402可以包括该人已对调查问题的列表提供的回答。可替代地或附加地，关于某人的调查问题的列表的回答可以由认识该人的至少一个人来提供。现有关系中的每个人的属性401或402可以包括该人的至少一个面部图像。也被称为同配(homogamy)的正选型配对(positive assortativemating)是其中具有相似的可观察特性的个体比在随机配对模式下将会预期的更频繁地相互配对的配对模式。面部图像可以被包含在现有关系中的每个人的属性401或402中，以使监督式机器学习引擎能够学习与选型配对相关联的模式。
现有关系中的每个人的属性401或402可以包括从该人的至少一个社交网络账户挖掘的数据。现有关系中的每个人的属性401或402可以包括该人的至少一个视频。视频可以包括人谈论自己的短视频，例如十到十五秒长的短视频。研究表明，我们在遇到某人后的第一时刻形成的观点在决定关系的进展方向中起到重要作用。
在说明性实施例中，关于两个人之间的关系中的人的调查问题可以用具有诸如非常同意、同意、中立、不同意或非常不同意之类的回答的李克特量表(Likert scale)来提出。关于人格的调查问题可以从诸如大五(Big Five)测试之类的确立的问卷来取得，该大五测试包括使用3点李克特量表的50个问题(例如，“我有丰富的想象力”或“我有频繁的情绪波动”)以提供针对外向性、尽责性、宜人性、神经质(情绪稳定性)和经验开放性的百分位数得分。关于两个人之间的约会人际关系的示例问题可以是“我喜欢尝试新事物”或“我喜欢去听音乐会”。关于两个人之间的亲密人际关系的示例问题可以是：“我重视为退休存钱”或“我想要孩子”。关于雇主和雇员之间的关系的示例问题可以是“我更喜欢独立工作”或“我有时间训练新雇员”。关于顾问和客户之间关系的示例问题可以是“当市场下跌时，我倾向于出售我的一些风险较高的投资并将资金投入更安全的投资”或“我更喜欢资产大于$500,000的客户”。关于教师和学生之间的关系的示例问题可以是“我每天需要辅导”或“我更喜欢在网上教学生，而不是当面教学生”。关于玩多人游戏的两个人之间的关系的示例问题可以是“在玩Minecraft时，我热衷于构建复杂的东西”或“我乐于与其他玩家合作”。
人1和人2之间的关系的属性403可以包括对调查问题的列表提供的回答。这些回答可以由两个人中的每个人分别提供，或者可以由两人作为一组回答提供。
在说明性实施例中，关于两个人之间的关系的调查问题可以用具有诸如非常同意、同意、中立、不同意或非常不同意之类的回答的李克特量表来提出。关于约会人际关系的示例问题可以是“我的约会对象和我都对相同的事物笑了”。关于亲密人际关系的调查问题可以取自针对关系的质量的确立的问卷。关于亲密人际关系的示例问题可以是“我觉得我可以向我的伙伴倾诉几乎任何事情”。关于雇主和雇员之间的关系的示例问题可以是“我的主管通常会听取雇员意见”。关于顾问和客户之间的关系的示例问题可以是“我的客户通常听从我的财务建议”。关于教师和学生之间的关系的示例问题可以是“我的导师关心我”。关于玩多人游戏的两个人之间的关系的示例问题可以是“我的游戏同僚有幽默感”。
人1和人2之间的关系的属性403被用于计算该关系的数值评估404。所计算的关系值404被用于标记由人1的属性401和人2的属性402的数据表示的关系，以将该数据用作训练数据。该训练数据被用于训练监督式机器学习引擎405。
在说明性实施例中，人1和人2之间的关系的属性可以包括对关系评估量表(RAS)的回答，该关系评估量表包含在范围从1到5的5点李克特量表上评定的七个问题。总和得分的范围是从7到35，其中更高的得分反映了更好的关系满意度。在替代性实施例中，人1和人2之间的关系的属性可以包括对两人(couple)满意度指数(CSI)的回答，该CSI具有诸如具有四个问题的CSI-4或具有32个问题的CSI-32之类的版本。CSI-32包括具有范围从0到6的回答的一个问题(“请表明你们的关系的幸福程度，考虑所有事物”)，而对其他31个问题的回答的范围是从0到5，因此总和得分的范围可以是从0到161。更高的得分指示更高的关系满意度水平。CSI-32得分低于104.5表明显著的关系不满意。
图5图示了训练监督式机器学习引擎的流程图。关于现有关系的数据被划分为被称为训练数据501、验证数据503和测试数据507的三个数据集。在监督式机器学习的领域中，验证数据503有时被称为开发数据。训练数据501被用于训练监督式机器学习引擎502。训练监督式机器学习引擎502包括最小化由监督式机器学习引擎输出的关系的数值评估与从训练数据获得的该关系的数值评估之间的差。然后，通过针对验证数据503操作经训练的监督式机器学习引擎502来对其进行评估504。由于关于每个关系的实际值标记了验证数据503，因此实际值与由机器学习引擎预测的值之间的差被测量为误差值。关于跨验证数据503的总体误差值是否令人满意检查该总体误差值505。如果机器学习引擎例如在训练数据上被训练过度，那么它会在验证数据上表现得明显较差。
训练过程由被称为超参数的许多参数控制。一个超参数是学习率。学习率是应用于在训练期间对监督式机器学习引擎进行的调整的因素。学习率过低可能导致训练时间过长。学习率过高可能导致训练振荡而不是收敛于改进的性能上。可以使用不同的技术来初始化监督式机器学习引擎中的权重(例如，Normal、Xavier、Kaiming)，并且初始化技术的类型可以是另一超参数。用于减少对训练数据集的过度训练的方法被称为正则化。一种用于正则化的技术被称为丢弃(dropout)，以在监督式机器学习引擎中随机移除连接，并且丢弃率(例如0.3、0.8)可以是另一超参数。超参数值的一些选择可以被表现在线性标度上，或者，诸如对于学习率之类的其他选择可以被表现在对数标度上。网格可以被用于绘制超参数选择的候选集合。网格中的这些超参数选择可以以由粗到细的调优过程来搜索以聚焦于高性能选择。超参数选择可以被随机选择而不是从网格选择。超参数调优可以由偏差引导，该偏差是训练数据集上的性能与理想性能或人类专家的性能之间的误差。超参数调优可以由方差引导，该方差是训练数据集501和验证数据集503之间的错误率的差异。高偏差可以指示需要训练更长的时间，而高方差可以指示需要更多的训练数据或增加的正则化。
如果评估504被认为不令人满意505，则调整训练超参数506，并使用训练数据501来重复训练502。该过程重复，直到超参数被调优使得训练被认为是令人满意的505。然后，使用测试数据507来评估经训练的监督式机器学习引擎的性能。该性能评估是为了确保机器学习引擎在训练数据501和验证数据503的组合上尚未被过度训练。如果测试数据507上的性能表现出任何问题，则将有必要将关于现有关系的数据的新划分分割为训练数据501、验证数据503和测试数据507，以重复完成训练超参数的调优的过程。
如果获得附加数据509，则可以增强重复训练过程。如果性能评估508不令人满意，则可以重复训练过程，或者，当附加训练数据509变得可用时，可以重复训练过程来更新训练以进一步提高性能。附加数据509可以是从未与使用监督式机器学习引擎的系统交互的人的附加现有关系。附加数据509可以是先前已经与使用监督式机器学习引擎的系统交互、被匹配然后再形成可以被评估为成为附加训练数据的关系的人的关系。在机器学习的领域中，训练数据有时可以被增强以形成更大的训练数据集。增强可以通过从经验数据生成合成数据来执行。例如，在将图像分类为猫或非猫的机器学习领域中，猫的图像可以被从右向左翻转以提供新的训练图像，或者可以被变亮或变暗以提供新的训练图像。在这些图像变换之后，猫或非猫的合成数据标签仍保持有效。在本描述中的技术的应用中，训练数据可以包括由人对调查问题的列表提供的回答。对问题的回答不会适合于形成合成数据。例如，考虑表示被标记为较高质量的关系的数据元素，其包含诸如回答为非常同意、同意、中立或不同意或非常不同意的“我想要孩子”之类的调查问题。该关系可能使关系中的两个人都回答非常同意。如果生成将来自一个人的回答改变为非常不同意的合成数据，则较高质量的数据元素标签将不再有效。需要考虑到这些考虑因素，以限制将本描述中的技术应用于人与人之间的关系中的增强训练数据的使用。
使用监督式机器学习引擎来推荐匹配
图6图示了当新用户加入系统时提供匹配的事件图。针对匹配候选进行搜索的过程可以起始于多个事件。一种类型的事件可以是寻求关系的人提交对关系搜索的请求。先前在图1和图3中图示了这种类型的事件。另一种类型的事件可以是由系统代表寻求关系的人执行的定期搜索。定期搜索可以找到自代表个人的上一次搜索以来已加入系统的新候选，或者可以找到自上一次搜索以来已更新了其属性数据的候选。在应用了足够的资源的情况下，定期搜索可以变成连续搜索。图6中所示的类型的事件是在新用户加入系统时发起的。该过程的意图是找到已经在系统中的哪些人可以找到与新用户606的匹配。
图6中的事件图是以从图的顶部向下的时间顺序进行阅读的。新用户606通过注册加入609系统。然后控制过程607查询610候选需求的数据库604。候选需求的数据库604存储由匹配系统中的当前的人提供的匹配准则。例如，候选A 601可以请求与23-27岁的人的匹配，或者候选B 602可以请求与27-33岁的人的匹配。该查询的结果是其匹配准则被新用户606满足的人。查询结果被返回给控制过程607。
控制过程607现在按顺序排列遍及(sequence through)新用户606和包括在查询结果中的所有现有用户之间的候选匹配。控制过程607将从注册过程获得的新用户606的属性提供给经训练的监督式机器学习引擎608。控制过程607然后重复地将查询结果中的每个候选人的属性提供给机器学习引擎608。这是针对查询结果中的第一候选用户611、第二候选用户612执行的，并且继续持续到查询结果中的最后的候选用户613。诸如611之类的各步骤返回来自机器学习引擎608的、预测所考虑的两个人之间的关系的质量的值。
预测每个候选关系的质量的值现在由控制过程607检查。可以选择最高值的候选用户。最高值的候选用户可以通过在彼此的阈值内而被判断为相似。在这种情况下，可以向相比其他候选已经更长地等待其最近的匹配通知的候选提供优先权。控制过程607从匹配表605执行查找614。匹配表605通过候选用户的标识来进行索引，并且记录关于提供给每个候选的匹配的统计数据，诸如自所提供的上一次匹配以来的时间。表查找614的结果被返回给控制过程607。这些查找结果可以被用于对被判断为相似的最高值的候选进行排序，以向已经等待得最长的候选提供优先权。可替代地或附加地，被判断为与其他高值的候选相似的高值的候选可以由控制过程607随机选择。这种随机选择可以用于跨候选用户的群体分发匹配通知，使得可以向所有候选提供适当的匹配。用于随机选择的手段可以是形成被判断为与其他高值的候选相似的高值的候选的列表、对该列表中的候选的数量进行计数、生成在1和总计数的范围内的随机整数、然后在与该生成的整数对应的列表中选择高值的候选。
控制过程607然后向匹配的候选发送通知615。新用户606被通知他们被指定的人视为匹配。已经在系统中的每个匹配候选601或603被通知新用户已经加入系统，该新用户满足候选人匹配准则并且新用户606和匹配的候选601或603的属性被机器学习引擎608评估为可能成为成功关系。在该示例中，现有用户A 601和现有用户C 603接收通知，而现有用户B 602不接收通知。
图7图示了用于选择用于匹配的候选的不同准则的维恩图。用于寻求关系的人的匹配准则701由左上方的、具有从左上到右下的交叉阴影线的阴影的方形来表示。用于作为关系的候选的人的匹配准则702由右下方的、具有从右上到左下的交叉阴影线的阴影的方形来表示。区域A 703是701的整个方形。区域A表示寻找满足由寻求关系的人提供的匹配准则的候选人的系统。区域B 704是702的整个方形。区域B表示寻找其匹配准则被寻求关系的人满足的候选人的系统。
区域C 705由在图中心的较小的阴影较深的方形来表示。该区域表示区域701和703的逻辑AND。使用区域C 705来进行匹配选择既满足由寻求关系的人提供的准则而且寻求关系的人又匹配由关系候选提供的准则的候选人。区域D 706表示接近于匹配由系统中的人提供的准则的关系的候选人。
作为说明性示例，考虑寻求关系的35岁的人提供在32-38岁之间的候选的匹配准则701。39岁的候选人与该准则不匹配，但被确定为在阈值内接近于匹配，因此可以被认为是区域D 706的一部分。类似地，假设31岁的候选人提供在28-34岁之间的匹配的匹配准则702。该候选人与由寻求关系的35岁的人提供的32-38岁的准则不匹配，并且35岁的寻求关系的人与由31岁的候选人提供的28-34岁的准则不匹配。然而，两者都被确定为在阈值内接近于匹配，因此寻求关系的35岁的人和31岁的候选人之间的匹配可以被认为是区域D 706的一部分。
应当注意的是，可以考虑匹配准则的其他组合。一个附加的示例是区域701和702的逻辑OR。该组合将构成匹配由寻求关系的人提供的准则701的所有候选人加上其匹配准则702被寻求关系的人满足的所有候选。
图8图示了作为成功匹配的期望可能性的函数的监督式机器学习引擎的所需性能的曲线图。考虑在预测表示候选关系的质量的值时提供性能S的经训练的监督式机器学习引擎。例如，S可以是0.67，表示由机器学习引擎预测的值准确地表示该候选关系实际上将会工作得有多好的67％的概率。那么机器学习引擎不准确的概率是(1–S)。如果寻求关系的人在第一次匹配中没有成功并且尝试第二次匹配，那么机器学习引擎对于第二次匹配不准确的概率也是(1–S)。机器学习引擎对于两个匹配都不准确并且寻求成功关系的人在这两个匹配之后仍然没有找到匹配的条件概率是(1–S)*(1–S)。这意味着两次匹配之后的结果的成功的概率R为R＝1–(1–S)*(1–S)。因此，可以形成关于作为机器学习引擎的性能S的函数的M次匹配后的成功结果的概率R的方程。该方程可以被求解为作为R和M的函数的S，从而产生方程(1)：
S＝1-(1-R)1/M (1)
方程(1)被用于绘制图8中的曲线图。可以通过选择匹配的成功的期望概率来在横轴801上索引到该曲线图中。然后向上到表示某人愿意尝试的匹配数目的线803进行读取。从表示某人愿意尝试的匹配数目的线803上的这一点，向左到纵轴802进行读取，以确定机器学习引擎所需的性能。
作为一个示例，假设某人期望有90％的成功概率来找到成功匹配，并且愿意尝试最多并且包括十次匹配。从801上的90％向上到对于要尝试十次匹配的具有长划的线803进行读取，然后向左穿越到802上的机器学习引擎的20％所需性能进行读取。针对愿意尝试最多四次匹配的人的另一示例可能期望60％的概率找到成功关系，而监督式机器学习引擎准确率为20％。该分析说明，取决于寻求成功关系的人愿意尝试多少匹配，以小于50％的准确度执行的监督式机器学习引擎可以导致成功的系统。这是在实践中可能被误差因素混淆的简化模型。例如，在网上约会的领域中，伪造其简档(诸如少报其体重)的人被称为“鲶鱼”，而鲶鱼行为可能基于错误数据而降低机器学习引擎在预测关系值时的性能。
使用监督式机器学习引擎来推荐匹配的系统的架构
图9图示了采用数据库来存储关于经验关系和用于匹配的候选人的数据的系统的示图，该系统通过网络连接到寻求匹配的用户。服务器901包括耦合到存储器906和数据库的处理器905。第一数据库902存储关于现有关系的经验数据。第二数据库903存储关于关系的候选的属性的数据，其被用作机器学习引擎的输入。另外的存储装置904包括用于期望匹配的候选准则和系统所需的其他数据。本地用户接口907耦合到服务器以提供系统的监管和管理。
服务器901耦合到网络908。具有移动设备909的用户可以耦合到网络908以连接到服务器901。具有膝上型设备910的用户可以耦合到网络908以连接到服务器901。具有计算机设备911的用户可以耦合到网络908以连接到服务器901。
说明性实施例可以包括主机系统，包括web服务器、应用服务器、数据库服务器、虚拟机、存储区域网络(SAN)、云存储、局域网(LAN)、LAN交换机、存储交换机、网络网关和防火墙。替代说明性实施例可以包括高性能处理，包括图形处理单元(GPU)、定制片上系统(SoC)、人工智能芯片(AI芯片)、人工智能加速器(AI加速器)、神经网络处理器(NNP)和张量处理单元(TPU)。
图9中所示的系统架构可以执行多种机器学习方法中的任何机器学习方法。说明性实施例可以执行基于实例的方法，诸如k-最近邻(kNN)或支持向量机(SVM)。说明性实施例可以执行集成方法，诸如梯度提升机(GBM)、梯度提升回归树(GBRT)、梯度提升决策树(GBDT)或随机森林。说明性实施例可以执行人工神经网络方法，诸如卷积神经网络(CNN)、循环神经网络、长短期记忆神经网络(LSTM)、复合缩放高效神经网络(EfficientNet)、无归一化器神经网络(NFNet)、密集连接卷积神经网络(DenseNet)、聚合残差变换神经网络(ResNeXT)、通道提升卷积神经网络(CB-CNN)、宽残差网络(WRN)或残差神经网络(RNN)。
图10图示了作为说明性实施例的残差神经网络的结构。该特定的神经网络结构是被称为ResNet-50的50层残差神经网络。ResNet-50结构包括五个阶段(stage)和输出阶段。阶段1 1001包括卷积块、批归一化块、修正线性单元(ReLU)激活函数和最大池化块。阶段21002包括卷积块和两个恒等块(identity block)。恒等块是残差神经网络的区别性特征。恒等块添加快捷(shortcut)路径以跳过网络中的较低层和较高层之间的连接，通常跳过两个或三个层。使用恒等块来形成残差神经网络已经被显示为使得能够训练具有大得多的层数的网络。阶段3 1003包括卷积块和三个恒等块。阶段4 1004包括卷积块和五个恒等块。阶段5 1005包括卷积块和两个恒等块。输出阶段包括平均池化块、压平(flatten)块和具有S型(sigmoid)激活函数的全连接块。最终的S型激活函数输出0.0和1.0之间的值，表示经训练的神经网络关于其属性被输入到神经网络的两个人之间的关系的质量的预测。
ResNet-50的使用的说明性实施例可以采用被实现为对调查问题的回答和面部图像的关系中的人1和人2的属性。每个彩色面部图像可以是RGB颜色的三个像素通道中的64x64像素的jpg文件。对于每个人具有一个面部图像的关系中的两个人可以被视为六个通道中的64x64像素。0到255范围内的无符号整数的每个像素被缩放为变为介于0.0和1.0之间的数。针对关系中的每个人的调查问题可以包括以陈述的形式提出的、具有选择非常同意、同意、中立、不同意或非常不同意的回答响应的192个问题。这些回答可以由值0.1、0.3、0.5、0.7和0.9来表示，以将它们置于与图像数据相同的范围中。出于效率的原因，希望将调查回答和图像数据组合成二的幂的大小。这可以通过抢夺每个图像中的较低的像素线以使用63x64像素图像并将这些位置用于调查回答数据来完成。这释放了每个图像的192个数据点以存储每个人的192个回答。
图11图示了残差神经网络的实现方案。这表示说明性实施例。该特定神经网络结构是如图10中所示的被称为ResNet-50的50层残差神经网络。这种表示是根据以Keras深度学习API(应用编程接口)编写的ResNet-50的实现方案。Keras运行在机器学习平台TensorFlow的顶部。
阶段1 1101实现卷积块、批归一化块、修正线性单元(ReLU)激活函数和最大池化块。阶段2 1102实现卷积块和两个恒等块。阶段31103实现卷积块和三个恒等块。阶段41104包括卷积块和五个恒等块。阶段5 1105包括卷积块和两个恒等块。如1106中所示实现平均池化。输出阶段实现压平块和具有S型激活函数的全连接块。
图12图示了异构混合神经网络的架构。术语“异构神经网络”的使用在神经网络的领域中没有被标准化，有时被理解为意味着异构或不同类型的单独神经元。术语“混合神经网络”的使用在神经网络的领域中没有被标准化，有时意味着异构或不同类型的激活函数，或者有时意味着神经网络与其他实体(诸如支持向量机或者甚至生物神经网络)的组合。因此，这里使用新术语“异构混合神经网络”(HHNN)以明确地区分预期含义。HHNN架构提供适合于每种类型的多模态(multimodal)数据的一种类型的神经网络。这些神经网络中的每一个的输出被连结在一起，然后由顶级神经网络组合。HHNN表示优选实施例。
人1和人2中的每一个的调查回答的多模态数据1201被输入到具有K层的神经网络1 1205。人1和人2的面部图像的多模态数据1202被输入到具有L层的神经网络2 1206。人1和人2的挖掘的社交网络数据的多模态数据1203被输入到具有M层的神经网络3 1207。人1和人2的视频的多模态数据1204被输入到具有N层的神经网络4 1208。四个神经网络1205、1206、1207和1208可以具有不同数量的层，并且可以是不同类型的神经网络。例如，处理图像数据的神经网络2 1206可以是残差神经网络。例如，处理视频数据的神经网络4 1204可以是长短期记忆(LSTM)神经网络。四个神经网络1205、1206、1207和1208的输出被输入到最终的神经网络5 1209，在那里它们被连结在一起。神经网络5 1209具有至少一个全连接层，这里示出了两个全连接层，其中最终的全连接层的激活函数是S型函数以输出0.0和1.0之间的值。该输出值1210是对人1和人2之间的关系的评估。
应当注意的是，关于要包括哪些类型的多模态数据，图12的实施例可以是灵活的。一个说明性实施例可以仅包括诸如调查回答1201之类的多模态数据的一个模态，在这种情况下，该图简化为一个神经网络1 1205并且不需要神经网络5 1209的HHNN层。另一说明性实施例可以包括包含调查回答1201和图像数据1202的多模态数据的两个模态，在这种情况下，该图需要HHNN结构，但是简化为三个神经网络1205、1206和1209。
图13图示了HHNN的训练。第一阶段包括分别训练适合于各种多模态数据中的每一个的神经网络中的每一个。根据针对人1和人2的调查回答，训练用于调查回答的多模态数据的神经网络1301。根据人1和人2的面部图像，训练用于面部图像的多模态数据的神经网络1302。根据人1和人2的挖掘的社交网络数据，训练用于挖掘的社交网络数据的多模态数据的神经网络1303。根据人1和人2的视频，训练用于视频的多模态数据的神经网络1304。
一旦单独训练了神经网络1301、1302、1303和1304，然后就训练这四个神经网络与顶级神经网络1305组合的整个神经网络。该最终训练步骤中的每个轮次(epoch)按顺序排列遍及训练数据中的所有关系，从表示关系的多模态训练数据前向传播直到来自顶级神经网络1305的S型输出值。然后通过反向传播来更新神经网络中的权重和偏差。这意味着训练数据中的每个关系必须由所有多模态数据元素类型表示，使得所有较低级别的神经网络1301、1302、1303和1304可以对前向传播做出贡献。
当包括顶级神经网络1305时，HHNN训练过程可以包括两个训练阶段。出于效率原因，第一阶段可以仅反向传播通过顶级神经网络1305的层，用于初始化顶级神经网络1305中的权重。一旦该第一阶段完成，然后就可以反向传播通过所有神经网络来重复训练。
在先前的详细描述中，阐述了许多特定细节以提供对主题技术的充分理解。然而，对于本领域的普通技术人员来说将会明显的是，可以在没有这些特定细节中的一些的情况下实践主题技术。在其他实例中，人们熟知的结构和技术并未被详细示出，以免模糊主题技术。
上述的这些功能可以用数字电子电路、计算机软件、固件或硬件来实现。可以使用一个或多个计算机程序产品来实现这些技术。可编程处理器和计算机可以被包含在移动设备中或封装为移动设备。过程和逻辑流程可以由一个或多个可编程处理器和一个或多个可编程逻辑电路来执行。通用和专用计算设备和存储设备可以通过通信网络互连。
一些实现方案包括诸如微处理器、存储装置和存储器之类的电子组件，这些电子组件将计算机程序指令存储在机器可读或计算机可读介质(可替代地，被称为计算机可读存储介质、机器可读介质或机器可读存储介质)中。此类计算机可读介质的一些示例包括RAM、ROM、光盘(CD)、数字多功能盘(DVD)、闪存(例如SD卡)、磁和/或固态硬盘驱动器、超密度光盘以及任何其他光学介质或磁介质。计算机可读介质可以存储计算机程序，该计算机程序可由至少一个处理单元执行，并且包括用于执行各种操作的指令集。计算机程序或计算机代码的示例包括诸如由编译器产生的机器代码以及包括由计算机、电子组件或微处理器使用解释器执行的更高级别的代码的文件。
虽然上述讨论主要涉及执行软件的微处理器或多核处理器，但一些实现方案由诸如专用集成电路(ASIC)或现场可编程门阵列(FPGA)之类的一个或多个集成电路来执行。在一些实现方案中，此类集成电路执行存储在电路自身上的指令。
所述特征可以在计算机系统中实现，该计算机系统包括后端组件(诸如数据服务器)，或者包括中间件组件(诸如应用服务器或因特网服务器)，或者包括前端组件(诸如具有图形用户接口或因特网浏览器的客户端计算机或者客户端移动设备或者它们的任何组合)。系统的组件可以通过任何形式或介质的数字数据通信(诸如通信网络)被连接。通信网络的示例包括例如LAN、WAN以及形成因特网的计算机和网络。计算机系统可以包括客户端和服务器。客户端和服务器通常彼此远离，并且通常通过网络进行交互。客户端和服务器的关系是由于运行在相应计算机上并且彼此具有客户端-服务器关系的计算机程序而产生的。
一些实现方案包括托管系统，包括web服务器、应用服务器、数据库服务器、虚拟机、存储区域网络(SAN)、云存储、局域网(LAN)、LAN交换机、存储交换机、网络网关和防火墙。一些实现方案包括高性能处理，包括图形处理单元(GPU)、定制片上系统(SoC)、人工智能芯片(AI芯片)、人工智能加速器(AI加速器)、神经网络处理器(NNP)和张量处理单元(TPU)。
如在本说明书和本申请的任何权利要求中所使用的，术语“计算机”、“服务器”、“处理器”和“存储器”都指代电子或其他技术设备。这些术语不包括人或人群。对于本说明书的目的，术语显示(display)或展示(displaying)意味着在电子设备上显示。如在本说明书和本申请的任何权利要求中所使用的，术语“计算机可读介质(computer readablemedium)”和“计算机可读媒介(computer readable media)”完全限于以计算机可读的形式存储信息的有形的物理对象。这些术语不包括任何无线信号、有线下载信号和任何其他短暂信号。
应当理解的是，所公开的过程中的步骤的任何特定顺序或层次结构是示例性方法的说明。基于设计偏好，应当理解的是，可以重新安排过程中的步骤的特定顺序或层次结构，或者执行所有所示的步骤。步骤中的一些可以被同时执行。例如，在某些情况下，多任务处理和并行处理可能是有利的。此外，上述实施例中的各种系统组件的分离不应被理解为在所有实施例中都需要此类分离，并且应当理解的是，所描述的程序组件和系统通常可以被一起集成在单个软件产品中或者被封装到多个软件产品中。
提供先前的描述以使得本领域的任何技术人员能够实践本文中描述的各个方面。对这些方面的各种修改对于本领域技术人员来说将是很明显的，并且本文中定义的一般原理可以被应用于其他方面。因此，权利要求不旨在限于本文所示的方面，而是应被给予与语言权利要求一致的全部范围，其中，除非如此特别说明，否则单数形式的元素的引用并不旨在意味着“一个且仅一个”，而是意味着“一个或多个”。除非另有特别说明，否则术语“一些”是指一个或多个。男性代词(例如，他的)包括女性和中性性别代词(例如，她的和它的)，反之亦然。标题和小标题(如果有的话)仅为了方便而使用，并且不限制主题公开。
诸如“方面”之类的短语并不意味着此类方面对主题技术是必不可少的或者此类方面适用于主题技术的所有配置。与某方面有关的公开可以适用于所有配置，或者一个或多个配置。诸如方面之类的短语可以指的是一个或多个方面，反之亦然。诸如“配置”之类的短语并不意味着此类配置对主题技术是必不可少的或者此类配置适用于主题技术的所有配置。与配置有关的公开可以适用于所有配置，或者一个或多个配置。诸如配置之类的短语可以指的是一个或多个配置，反之亦然。
本文中使用词语“示例性”以意味着“用作示例或说明”。在本文中被描述为“示例性”的任何方面或设计不一定被解释为比其他方面或设计优选或有利。
本领域普通技术人员已知或以后变得已知的贯穿本公开所描述的各个方面的元素的所有结构和功能等同物通过引用明确并入本文中，并且旨在被权利要求涵盖。此外，本文中公开的任何事物都不旨在被献给公众，无论此类公开是否在权利要求中被明确记载。

Claims (30)

1.一种用于为关系推荐人的方法，包括：
从多个现有关系的数据库训练监督式机器学习引擎；
输入第一人的属性和至少一个候选人的属性的数据；
利用经训练的监督式机器学习引擎来输出第一人和每个候选人之间的每个关系的数值评估；
通过将数值评估与阈值进行比较来预测成功关系的可能性；以及
向第一人推荐至少一个候选人。
2.根据权利要求1所述的方法，其中：监督式机器学习引擎包括神经网络。
3.根据权利要求1所述的方法，其中：多个现有关系的数据库包括成功关系和不成功关系。
4.根据权利要求1所述的方法，其中：多个现有关系的数据库中的描述每个关系的数据包括关系中的第一人的属性、关系中的第二人的属性以及关系的评估。
5.根据权利要求1所述的方法，其中：现有关系包括处于约会人际关系中的两个人。
6.根据权利要求1所述的方法，其中：现有关系包括处于亲密人际关系中的两个人。
7.根据权利要求1所述的方法，其中：人的属性包括由该人对调查问题提供的回答。
8.根据权利要求1所述的方法，其中：人的属性包括该人的至少一个面部图像。
9.根据权利要求1所述的方法，其中：人的属性包括从该人的至少一个社交网络账户挖掘的数据。
10.根据权利要求1所述的方法，其中：人的属性包括该人的至少一个视频。
11.根据权利要求1所述的方法，其中：训练监督式机器学习引擎包括最小化由监督式机器学习引擎输出的关系的数值评估与从多个现有关系的数据库获得的该关系的数值评估之间的差。
12.根据权利要求1所述的方法，还包括：使用附加的现有关系的数据来更新监督式机器学习引擎的训练。
13.根据权利要求2所述的方法，其中：神经网络包括异构混合神经网络。
14.根据权利要求12所述的方法，其中：附加的现有关系包括基于由本方法做出的先前推荐而形成的关系。
15.一种用于为关系推荐人的系统，所述系统包括：
存储多个现有关系的第一数据库；
存储作为关系的候选的人的属性的第二数据库；
与系统的用户的接口；
至少一个处理器，所述至少一个处理器耦合到数据库和用户接口并且被配置用于：
从多个现有关系的数据库训练监督式机器学习引擎；
从第二数据库检索寻求关系的第一人的属性；
查询第二数据库以检索作为与第一人的关系的候选的每个第二人的属性；
利用经训练的监督式机器学习引擎来输出寻求关系的第一人和候选人的查询结果中的每个第二人之间的每个关系的数值评估；
通过将数值评估与阈值进行比较来预测成功关系的可能性；以及
向寻求关系的第一人推荐至少一个候选人。
16.根据权利要求15所述的系统，其中：多个现有关系的数据库包括成功关系和不成功关系。
17.根据权利要求15所述的系统，其中：多个现有关系的数据库中的描述每个关系的数据包括关系中的第一人的属性、关系中的第二人的属性以及关系的评估。
18.根据权利要求15所述的系统，其中：现有关系包括处于约会人际关系中的两个人。
19.根据权利要求15所述的系统，其中：现有关系包括处于亲密人际关系中的两个人。
20.根据权利要求15所述的系统，其中：人的属性包括由该人对调查问题提供的回答。
21.根据权利要求15所述的系统，其中：人的属性包括该人的至少一个面部图像。
22.根据权利要求15所述的系统，其中：人的属性包括从该人的至少一个社交网络账户挖掘的数据。
23.根据权利要求15所述的系统，其中：人的属性包括该人的至少一个视频。
24.根据权利要求15所述的系统，其中：监督式机器学习引擎包括神经网络。
25.根据权利要求15所述的系统，其中：训练监督式机器学习引擎包括最小化由监督式机器学习引擎输出的关系的数值评估与从多个现有关系的数据库获得的该关系的数值评估之间的差。
26.根据权利要求15所述的系统，其中：当新人被添加到系统时执行检索寻求关系的第一人的属性，其中其匹配准则被所述新人满足的第二数据库中的所有人被视为候选人。
27.根据权利要求15所述的系统，其中：在查询第二数据库时被视为候选包括不满足匹配准则但在满足匹配准则的阈值内的人。
28.根据权利要求15所述的系统，还包括：使用附加的现有关系的数据来更新监督式机器学习引擎的训练。
29.根据权利要求24所述的系统，其中：神经网络包括异构混合神经网络。
30.根据权利要求28所述的系统，还包括：用于将基于由本系统做出的先前推荐而形成的关系包含在附加的现有关系中的手段。
CN202280018971.1A 2021-03-04 2022-03-03 使用机器学习推荐匹配 Pending CN116964602A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/192,845 US11276127B1 (en) 2021-03-04 2021-03-04 Recommending matches using machine learning
US17/192,845 2021-03-04
PCT/US2022/018782 WO2022187545A1 (en) 2021-03-04 2022-03-03 Recommending matches using machine learning

Publications (1)

Publication Number Publication Date
CN116964602A true CN116964602A (zh) 2023-10-27

Family

ID=80683538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280018971.1A Pending CN116964602A (zh) 2021-03-04 2022-03-03 使用机器学习推荐匹配

Country Status (6)

Country Link
US (2) US11276127B1 (zh)
EP (1) EP4302242A4 (zh)
CN (1) CN116964602A (zh)
CA (1) CA3212517A1 (zh)
MX (1) MX2023010358A (zh)
WO (1) WO2022187545A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11640516B2 (en) * 2020-06-03 2023-05-02 International Business Machines Corporation Deep evolved strategies with reinforcement
US11599955B2 (en) * 2021-01-04 2023-03-07 Saudi Arabian Oil Company Systems and methods for evaluating and selecting completion equipment using a neural network
CN113014564B (zh) * 2021-02-19 2022-10-21 提亚有限公司 一种用户的匹配方法、装置、计算机设备和存储介质
KR102569987B1 (ko) * 2021-03-10 2023-08-24 삼성전자주식회사 생체정보 추정 장치 및 방법
US20230230177A1 (en) * 2022-01-19 2023-07-20 II George A. Pazdral Relationship app facilitating in-person interaction
CN115423323B (zh) * 2022-09-05 2023-05-23 浙江口碑网络技术有限公司 安全管理方法、装置、电子设备及计算机存储介质

Family Cites Families (102)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6735568B1 (en) 2000-08-10 2004-05-11 Eharmony.Com Method and system for identifying people who are likely to have a successful relationship
US8014763B2 (en) 2004-02-28 2011-09-06 Charles Martin Hymes Wireless communications with proximal targets identified visually, aurally, or positionally
US20060018522A1 (en) 2004-06-14 2006-01-26 Fujifilm Software(California), Inc. System and method applying image-based face recognition for online profile browsing
WO2006041260A1 (en) 2004-10-13 2006-04-20 Electronics And Telecommunications Research Institute Extended multimedia file structure and multimedia file producting method and multimedia file executing method
US20070050354A1 (en) 2005-08-18 2007-03-01 Outland Research Method and system for matching socially and epidemiologically compatible mates
US8473490B2 (en) 2005-09-27 2013-06-25 Match.Com, L.L.C. System and method for providing a near matches feature in a network environment
US7613706B2 (en) 2005-09-27 2009-11-03 Match.Com L.L.C. System and method for providing a search feature in a network environment
US8051013B2 (en) 2005-09-27 2011-11-01 Match.Com, L.L.C. System and method for providing a system that includes on-line and off-line features in a network environment
US7676466B2 (en) 2005-09-27 2010-03-09 Match.Com, L.L.C. System and method for providing enhanced questions for matching in a network environment
US20090177496A1 (en) 2005-09-28 2009-07-09 Tuck Edward F Relationship prediction system
US8144007B2 (en) 2005-09-28 2012-03-27 Social Fabric Corporation Relationship prediction system using external databases
US7940174B2 (en) 2005-09-28 2011-05-10 Social Fabric Corporation Enhanced relationship prediction system
US7592910B2 (en) 2005-09-28 2009-09-22 Social Fabric Corporation Matching system
US20090049127A1 (en) 2007-08-16 2009-02-19 Yun-Fang Juan System and method for invitation targeting in a web-based social network
US7814027B2 (en) 2006-04-20 2010-10-12 Deluca Joseph G Matchmaking jewelry and method
US8204280B2 (en) 2007-05-09 2012-06-19 Redux, Inc. Method and system for determining attraction in online communities
US7945628B1 (en) 2007-08-09 2011-05-17 VaVu, Inc. Method for facilitating human social interaction using a computing system
WO2009086121A1 (en) 2007-12-19 2009-07-09 Match.Com, Lp Matching process system and method
US9733811B2 (en) 2008-12-19 2017-08-15 Tinder, Inc. Matching process system and method
US9753948B2 (en) 2008-05-27 2017-09-05 Match.Com, L.L.C. Face search in personals
US9536221B2 (en) * 2008-06-19 2017-01-03 Plentyoffish Media Ulc System and method for adaptive matching of user profiles based on viewing and contact activity for social relationship services
US8332418B1 (en) 2008-07-14 2012-12-11 Eharmony, Inc. Collaborative filtering to match people
US8195668B2 (en) 2008-09-05 2012-06-05 Match.Com, L.L.C. System and method for providing enhanced matching based on question responses
US8583563B1 (en) 2008-12-23 2013-11-12 Match.Com, L.L.C. System and method for providing enhanced matching based on personality analysis
US8923574B2 (en) 2009-04-20 2014-12-30 Mark Kodesh Method and apparatus for encouraging social networking through employment of facial feature comparison and matching
US10489445B1 (en) * 2009-07-13 2019-11-26 Eharmony, Inc. Systems and methods for online matching using visual similarity
US8898233B2 (en) 2010-04-23 2014-11-25 Ganz Matchmaking system for virtual social environment
US20140221866A1 (en) 2010-06-02 2014-08-07 Q-Tec Systems Llc Method and apparatus for monitoring emotional compatibility in online dating
US9449282B2 (en) 2010-07-01 2016-09-20 Match.Com, L.L.C. System for determining and optimizing for relevance in match-making systems
US9342855B1 (en) 2011-04-18 2016-05-17 Christina Bloom Dating website using face matching technology
US9064274B2 (en) 2011-08-04 2015-06-23 Edward Y. Margines Systems and methods of processing personality information
US10467677B2 (en) 2011-09-28 2019-11-05 Nara Logics, Inc. Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships
US20130090979A1 (en) 2011-10-11 2013-04-11 Edward F. Tuck Relationship prediction system using external databases
US10149267B2 (en) 2011-10-11 2018-12-04 Match Group, Llc System and method for matching using location information
US10320734B1 (en) 2011-10-25 2019-06-11 Eharmony, Inc. Social matching
US20130212173A1 (en) 2012-02-13 2013-08-15 Robert William Carthcart Suggesting relationship modifications to users of a social networking system
US8782038B2 (en) 2012-04-20 2014-07-15 Eharmony, Inc. Systems and methods for online compatibility matching and ranking
US10152193B1 (en) 2012-07-12 2018-12-11 Eharmony, Inc. Systems and methods for online coaching in a matching service
US20140108308A1 (en) 2012-07-13 2014-04-17 Social Data Technologies, LLC System and method for combining data for identifying compatibility
US8984065B2 (en) 2012-08-01 2015-03-17 Eharmony, Inc. Systems and methods for online matching using non-self-identified data
US9495301B2 (en) 2012-08-07 2016-11-15 Dell Products L.P. System and method for utilizing non-volatile memory in a cache
US9537706B2 (en) * 2012-08-20 2017-01-03 Plentyoffish Media Ulc Apparatus, method and article to facilitate matching of clients in a networked environment
EP2915101A4 (en) 2012-11-02 2017-01-11 Itzhak Wilf Method and system for predicting personality traits, capabilities and suggested interactions from images of a person
US9122759B2 (en) 2012-12-18 2015-09-01 Eharmony, Inc. Systems and methods for online social matchmaking
US9158821B1 (en) 2013-01-16 2015-10-13 Match.Com, L.L.C. System and method for optimizing interactions between users in a network environment
US9679259B1 (en) * 2013-01-25 2017-06-13 Plentyoffish Media Ulc Systems and methods for training and employing a machine learning system in evaluating entity pairs
US20140258260A1 (en) 2013-03-11 2014-09-11 Sabrina Rayborn Methods for on line dating
US8958778B2 (en) 2013-03-13 2015-02-17 Eharmony, Inc. Systems and methods for location based services in a matching service
US10387506B2 (en) 2013-03-14 2019-08-20 Eharmony, Inc. Systems and methods for online matchmaking
US20140297379A1 (en) 2013-03-29 2014-10-02 Nikola Bicanic System and method for facilitating selection of dating partners in online dating environments
US9503547B2 (en) 2013-04-18 2016-11-22 Oscar PEDRAZA Social network dating service
US9104905B2 (en) 2013-05-02 2015-08-11 Emotient, Inc. Automatic analysis of individual preferences for attractiveness
US9560156B1 (en) 2013-06-19 2017-01-31 Match.Com, L.L.C. System and method for coaching a user on a website
US9672289B1 (en) 2013-07-23 2017-06-06 Plentyoffish Media Ulc Apparatus, method and article to facilitate matching of clients in a networked environment
IN2013MU03280A (zh) 2013-10-18 2015-07-17 Tata Consultancy Services Ltd
US9824123B2 (en) 2013-11-20 2017-11-21 Match.Com, L.L.C. System and method for finding matches between users in a networked environment
US9251220B2 (en) 2013-11-20 2016-02-02 Match.Com, L.L.C. System and method for finding matches between users in a networked environment
US9245301B2 (en) 2013-11-20 2016-01-26 Match.Com, L.L.C. System and method for finding matches between users in a networked environment
US10540607B1 (en) 2013-12-10 2020-01-21 Plentyoffish Media Ulc Apparatus, method and article to effect electronic message reply rate matching in a network environment
US10025835B2 (en) 2014-03-05 2018-07-17 Peerstream, Inc. Selecting matches in a social dating system
US20150287146A1 (en) 2014-04-04 2015-10-08 Antoine El Daher Profile Critique System For Online Dating And Social Networking Websites
US9836533B1 (en) 2014-04-07 2017-12-05 Plentyoffish Media Ulc Apparatus, method and article to effect user interest-based matching in a network environment
US10523622B2 (en) 2014-05-21 2019-12-31 Match Group, Llc System and method for user communication in a network
US20160004778A1 (en) 2014-05-23 2016-01-07 BuddyNation Inc. Online social networking service with human matchmaking
US20150363751A1 (en) 2014-06-11 2015-12-17 Nicholas F. Covello, III Methods For Matchmaking
US9775015B1 (en) 2014-07-01 2017-09-26 Eharmony, Inc. Systems and methods for facilitating online matching utilizing a wearable device
US20160005134A1 (en) 2014-07-03 2016-01-07 Courtem, LLC Courting and dating technology
US20160063647A1 (en) 2014-08-26 2016-03-03 Katarzyna Myhan System and Method for Providing Access to Member Content of a Dating Website to a Third Party Dating Website Provider
US20160063646A1 (en) 2014-08-26 2016-03-03 Katarzyna Myhan System and Method for Controlling Access to Member Content in a Dating Website
US9070088B1 (en) 2014-09-16 2015-06-30 Trooly Inc. Determining trustworthiness and compatibility of a person
US20160086137A1 (en) 2014-09-18 2016-03-24 Ackerdating, LLC Mobile device proximity-based matchmaking
US20170255907A1 (en) 2016-03-07 2017-09-07 Deeper Dating, Inc. Method and apparatus for enhanced online dating
US20160275531A1 (en) * 2015-03-16 2016-09-22 Jjmac Enterprises Ii, Llc Aura color companion generator
US20170024519A1 (en) 2015-06-09 2017-01-26 Seromatch, Inc. System for lab results based dating coordination
US20170228819A1 (en) 2016-02-06 2017-08-10 Alexander Azariy Shenkar Online dating system and method
US9993735B2 (en) 2016-03-08 2018-06-12 Electronic Arts Inc. Multiplayer video game matchmaking optimization
US10719890B1 (en) 2016-06-02 2020-07-21 Shallow.Ai Inc. Machine learning system and method for clustering
KR101815176B1 (ko) 2016-06-03 2018-01-05 주식회사 하이퍼커넥트 중개 방법, 장치 및 시스템
US20180025440A1 (en) 2016-07-25 2018-01-25 Herekittykitty Llc Online dating and social networking system
US20180053261A1 (en) 2016-08-16 2018-02-22 Jeffrey Lee Hershey Automated Compatibility Matching Based on Music Preferences of Individuals
US10286327B2 (en) 2016-10-21 2019-05-14 Electronic Arts Inc. Multiplayer video game matchmaking system and methods
US11233795B2 (en) 2017-05-22 2022-01-25 Kevin Pelletier Dating systems and methods with enhanced personal security features
US20200285700A1 (en) 2019-03-04 2020-09-10 University Of Southern California Technology-Facilitated Support System for Monitoring and Understanding Interpersonal Relationships
US20190251640A1 (en) 2017-10-20 2019-08-15 Facebook, Inc. Systems and methods for providing a community-based dating service for a social networking system
US11750555B2 (en) 2017-10-30 2023-09-05 Wisdo Ltd. Systems and methods for user matching
US11164105B2 (en) 2017-11-13 2021-11-02 International Business Machines Corporation Intelligent recommendations implemented by modelling user profile through deep learning of multimodal user data
US20190236722A1 (en) 2018-02-01 2019-08-01 Anupama Padiadpu Subramanya Bhat Systems and methods for providing an on-line dating service
US20190303140A1 (en) 2018-03-30 2019-10-03 Ca, Inc. Source code peer review matchmaking
US20190362440A1 (en) 2018-05-22 2019-11-28 Megan WILLIAMS Vetter because friends make dating better
US10776758B1 (en) 2018-07-13 2020-09-15 Wells Fargo Bank, N.A. Systems and methods for processing and presentation of advisor-related data
CA3050456C (en) 2018-07-24 2023-01-03 Sultan A. Alrasheed Facial modelling and matching systems and methods
US20200065916A1 (en) 2018-08-24 2020-02-27 Meir Dahan Smartphone Dating Application Based on the Users Contact Lists
US10905962B2 (en) 2018-09-07 2021-02-02 Valve Corporation Machine-learned trust scoring for player matchmaking
US20200092248A1 (en) 2018-09-14 2020-03-19 Ann Brennan Mobile Application with Dating Questionnaire
US20200104330A1 (en) 2018-09-28 2020-04-02 Lomi Artificial Intelligence Limited System and method for determining compatible individuals for a user
US10810403B2 (en) 2018-10-30 2020-10-20 AMI Holdings Limited Apparatus and method for coordinating the matching and initial communications between individuals in a dating application
US20200143483A1 (en) 2018-11-04 2020-05-07 Shedaun P. Smith Lost and Found Matchmaking Notification System for Items Based on User Profile Settings and Location of the Item
CN113366470B (zh) 2019-01-15 2022-11-22 Ami控股有限公司 选择性地提示匹配的个体发起当面会面
US10817804B1 (en) 2019-05-07 2020-10-27 Capital One Services, Llc Using machine learning to predict user profile affinity based on behavioral data analytics
US20200364806A1 (en) 2019-05-15 2020-11-19 Facebook, Inc. Systems and methods for initiating conversations within an online dating service
US20200265526A1 (en) 2019-10-02 2020-08-20 Mark Ogunsusi Method and system for online matchmaking and incentivizing users for real-world activities
US10854336B1 (en) 2019-12-26 2020-12-01 Kpn Innovations, Llc Methods and systems for customizing informed advisor pairings

Also Published As

Publication number Publication date
WO2022187545A1 (en) 2022-09-09
EP4302242A4 (en) 2024-08-28
MX2023010358A (es) 2023-09-15
US20220284520A1 (en) 2022-09-08
EP4302242A1 (en) 2024-01-10
US11276127B1 (en) 2022-03-15
CA3212517A1 (en) 2022-09-09

Similar Documents

Publication Publication Date Title
CN116964602A (zh) 使用机器学习推荐匹配
Nelson et al. Experience matters: Information acquisition optimizes probability gain
Barrett The future of psychology: Connecting mind to brain
Hazra et al. Applications of game theory in deep learning: a survey
Jiang et al. Probing the visual representation of faces with adaptation: A view from the other side of the mean
Hardt et al. Patterns, predictions, and actions: Foundations of machine learning
Rose Artificial Intelligence for business
JP7157239B2 (ja) 感情認識機械を定義するための方法及びシステム
CN110704692A (zh) 基于图嵌入的员工离职行为预测方法及装置
CN113609337A (zh) 图神经网络的预训练方法、训练方法、装置、设备及介质
Storrs et al. Learning about the world by learning about images
Erbas et al. Embodied imitation-enhanced reinforcement learning in multi-agent systems
O'Callaghan Decision intelligence: human–machine integration for decision-making
Lammers et al. Moral character impression formation depends on the valence homogeneity of the context
CN111667029B (zh) 一种聚类方法、装置、设备及存储介质
Giammarino et al. Combining imitation and deep reinforcement learning to human-level performance on a virtual foraging task
Thomas et al. The AI Ladder: Accelerate your journey to AI
Bratsis The AI Product Manager's Handbook: Develop a product that takes advantage of machine learning to solve AI problems
Jaques Social and affective machine learning
Koola et al. How do we train a stone to think? A review of machine intelligence and its implications
Sabatelli Contributions to deep transfer learning: from supervised to reinforcement learning
Bhukya Exploring Machine Learning: A Beginners Perspective
CN113779396B (zh) 题目推荐方法和装置、电子设备、存储介质
US11860908B2 (en) Method, apparatus, and computer readable medium for quantitatively grouping a set of persons into a plurality of groups of three or more persons using computational clustering
Krafft A rational choice framework for collective behavior

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination