DISCURS
Bună ziua stimați studenți și profesori, mă numesc Mihniova Alexia, iar acesta este Miron Mihai,
stundtă a grupei TI-235.
Astăzi vom prezenta proiectul de an cu tema”Dezoltare unei aplicții de dating”. Având în vedere
că o parte semnificativă a vieților noastre se desfășoară în mediul online mulți oameni stabilesc
relații interpersonale prin intermediul aplicațiilor de întâlnir.
Pentru a putea înțelege mai bine sfera aplicațiilor de dating am cercetat mai multe aplicații deja
existente pe piață, totuți am decis să analizam aplicațiile Tinder, Badoo si Bumble. După ce am
identificat avantajele fiecărei aplicații, am trectu la analiza algoritmilor pe care îi vom
implementa.
În cursul acestui proiect ne-am propus să analizăm trei algoritmi de recommandare, Cosinus
similarity, DBSCAN si Hybrid filltering.
Similaritatea cosinus este o tehnică importantă utilizată în Filtrarea colaborativă, care se
bazează pe preferințele și comportamentul altor utilizatori pentru a oferi recomandări relevante.
Similaritatea cosinus
Asemănarea cosinusului înseamnă măsurarea unghiului dintre doi vectori. Vectorii
comparați cuprind un subset de evaluări pentru utilizator sau articol dat. Unele surse recomandă
această valoare pentru spațiile caracteristice cu dimensiuni mari. În filtrarea colaborativă,
punctele vectoriale sunt extrase direct din matricea articolului utilizator. Valoarea 1 indică o
similaritate perfectă, adică vectorii sunt identici, 0 indică ca vectorii sunt ortogonali, adică nun
există nic-o similaritate, iar -1 indică că vectorii sunt diametral opuși.
Algoritmul are dificultăți în a face recomandări pentru utilizatori sau articole noi, care nu
au fost încă evaluate. Odată cu creșterea numărului de utilizatori și articole, calculul devine mai
complex, ceea ce poate duce la probleme de performanță.
ALGORITM DBSCAN
Un alt algrotim important ales este DBSCAN, fiind un algoritm de invatare nesupravegheata.
Functionalitatea acestuia consta in gruparea elementelor asemanatoare, in cazul nostru grupeaza
utilizatorii dupa asepectele comune cum ar fi hobbyurile.
Algoritmul identifica 3 tipuri de puncte, puncte de interior, de frontiera si puncte zgomot.
Punctele de interior sunt cele ce au mai multi vecini apropiati
Punctele de frontiera sunt in apropierea punctelor de interior dar nu au suficienti vecini pentru a
fi considerati puncte de interior
Punctele zgomot sunt punctele ce nu fac parte din niciun punct
Algoritmul functioneaza pe 2 parametrii importanti:
- Epsilon (ε): distanța maximă între puncte pentru a fi considerate vecine.
- MinPts: numărul minim de puncte necesare pentru a forma un cluster.
Ecestea se pot afla cu ajutorul graficelor dar trebuie sa tinem cont ca nu mereu pot fi ptrivite in
cazul nostru:
Funcția returnează toate persoanele asemănătoare pe baza caracteristicilor, ținând cont de
Preferred_Gender.
Cu toate acestea, algoritmul DBSCAN nu se dovedește optim în acest caz, deoarece întâmpină
dificultăți în identificarea grupurilor de persoane. Observăm că, în cel mai bun scenariu, primul
grup conține un număr mult mai mare de persoane decât celelalte, ceea ce afectează negativ
persoanele din grupurile 1–11 în momentul comparării similarităților
Hybrid recommender systems
Un sistem de recomandare hibrid combină diferite tehnici de recomandare precum Collaborative
Filtering si Content-Based Filtering pentru a îmbunătăți acuratețea și relevanța recomandărilor.
În contextul unei aplicații de dating, un algoritm hibrid poate lua în considerare factori precum
profilurile utilizatorilor (gen, vârstă, locație, interese), preferințele acestora (de exemplu, genul
preferat, intervalul de vârstă preferat) și acțiunile utilizatorului (like-uri, swipe-uri, interacțiuni
anterioare).
Pentru implementarea acestui algoritm avem nevoie de cosinus Similarity pentru a masura
similaritatile ditre utilizatori
În continuare folosim algoritmul cosinus Similarity pentru a masura similaritatile ditre utilizatori
si un tabel de interactiuni. Pentru a pastra valorile interactiunilor considerăm ponderea 1 pentru
Like si 0.5 pentru Swipe
Algoritmul functioneaza prin imbinarea ambilor matrici atribuind prioritate dupa vointa
dezvoltatorului
CONCLUZIE
Comparând diversele metode de recomandare, cum sunt Cosine Similarity, DBSCAN și Hybrid
Filtering, putem observa atât punctele forte, cât și limitările fiecărei abordări, iar în final, Hybrid
Filtering se distinge ca fiind cel mai eficient și adaptabil algoritm pentru acest tip de aplicații.
Am ales sa continua cu algoritmul hibrid ce se dovedește a fi cel mai puternic algoritm de
recomandare pentru aplicațiile de dating, deoarece este capabil să integreze atât profilul
utilizatorului, cât și comportamentele acestuia, oferind recomandări mult mai relevante și
precise. Spre deosebire de Cosine Similarity și DBSCAN, care au limitările lor legate de lipsa
unui feedback continuu și a unei personalizări profunde, Hybrid Filtering asigură o experiență de
utilizator optimizată și adaptată, crescând semnificativ șansele de succes în găsirea unui partener
compatibil