美国专利技术(一)

2017-11-21 13:43:03 admin 61
发布 :
2013-11-26
编号 :
#8,595,257 B1
来源 :
CML
简介 :
识别喜好匹配对象的系统和方法
识别喜好匹配对象的系统和方法


        1509508332338401.jpg

        首先解释一下和现时市场上其他之间的分别。现时一般的约会网站均使用问卷式的性格测验去尝试将人配对,一般要经多次选择和看大量资料数据去挑选喜好,所以能快速有效地能配对出是非常困难,费时且失实,能准确地配对出的有效性极低。 只有少数(如TINDR)使用脸部识别技术和Likert Scale来确定用户的匹配(这种方法是一个很容易犯错误),而且一般来说,它仅以统计学的形式使用计算,其准确性和效果也非常有限。我们的专利和方法是使用面部识别和回归模型,以这运算法则,确定每个用户的自己的喜好或“类型”,通过记录他们的简单点击选择,使用科学化的运算法则并实时作出快速并准确的选择,而系统会持续计算直至用户得到最合适的匹配为止。 


        有些网站使用面部识别来搜索,但只可以根据用户输入的信息不断寻找相关的资料,但不能配对出心仪的对象。我们的技术是纯以科学方式计算出配对人选,不需要任何文字,排名,评星或任何类型的语言便可选出对个别用户具最有吸引力的人,反之亦然。 


        此概念已得到多方领域的专家和学者审查过(心理学家,统计学家,数学家等),得出的结论是,它在科学理论上是正确并可行的。一直以来的问题是,大多数计算机程序员未能深入了解统计学,所以很难制定一个可以采用面部识别并结合运算方法的程序。只有少数跨领域的专家可以做到,即使跨领域专家想要创建一个测试原型也可能需要非常高的成本。 在现时中国有多方面人才及专门技术,相信对此技术的持续发展非常有利。

 

        事实上,我们的专利技术程序还使用了一种技术,利用心理学,统计学和精算数学上的结合,可以单从一张脸相图片便可预测你的个性和/或情感方向。在设计上可以不要求用户输入任何语言即可匹配两个人。从数学的角度来看,语言的因素是有缺点和不定量,以致对结果会有偏差的。想象一下,当您在为想要的食物进行评分的时候,您认为属于三颗星的评价,在我认为可属于五颗星,在使用Likert Scale就可能会出现此问题因此我们的运算方式是综合了各有关领域的专业技术,以科学化的运算而得出的准确匹配结果,也是目前在配对领域上结合了最人性化和最科学化的先进技术


对专利号:US 8,595,257 B1的意见

识别浪漫对象的系统和方法


史坦利史密斯博士

图片关键词DR Stanley Smith Profile.pdf


        该专利描述了一种混合方法,用于可预测性测试和从二进制和纵坐标数据集所获得的数据模式匹配。数据分析的结合用于确定在约会喜好框架内登记人之间的兼容性。该方法的基础从标准抽样理论,传统多变量分析的R2测试,二项展开式的预期值,以及似然比测试。从二项式系数中剩下的阶乘条款的简单性,为似然比提供了一个更简单的表达式。作为一个附加的度量方法,在二项式回归中使用的权重系数, 通过相互衍生的图像处理度量的加强学习提供进一步的优化。加权二元矢量协方差矩阵的最小方差判别法, 可以通过从图像处理顺序的相互关系中得到的反馈来进行扰动的二进制权重的反向传播进行优化。

 

        目标数据是基于定量匹配参数的二进制决定序列和纵坐标数据的组合。沃尔德统计数据是用于坚定可预测性的判别式,它要求对静态测量误差进行足够的测量变化,这类似于标准误差。拥有足够大的瓦尔德统计数据,实现了对可预测性具有统计意义的第一层。

 

        与成功的约会安排有关双方之间的相互吸引力, 是与双重联合假设模型有关,该模型具有潜在的双变量误差。 专利设计融合了眼球运动的3D追踪,融合图像区域反射的吸引力,并进行仔细选择以增加关于吸引力的二进制征集问题的结论。  对基于吸引力的图像进行排名的特征可能包括主要的色彩分布、颜色混合的均匀性、对称性、头发颜色、色彩对比度、面部特征几何比例、眼球聚集、酒窝和微笑变化...等。

 

        通过图像匹配首选项和相关联的二进制序列来建立一个最小二乘法, 来实现二进制分量的改进的可预测性。 可以通过多项式拟合来实现改进。通过皮尔逊相关流程(标准化的交叉协方差)实现了一种机器学习适应参数,允许迭代二进制权重优化。每一个包含二元和模式相关匹配数据的序列都被用作矢量,从纵坐标矢量的相关反馈影响到对二元矢量权重系数的训练。

 

        总之,所描述的专利方法使用了“二项回归”,它具有利用简单的“是”或“不”的数据概要回应的固有优势。 利用平行的纵坐标图像处理数据,可以得到几个优点,

 

            1) 应用于简单数字属性的权重可以通过提供宽动态范围的机器优化分数系数来增强。增加“是/否”问题的数量也会增加解决方案的维度;

            2) 相互吸引力可以由配对的个人一手验证。这消除了在预测技术中使用的零假设,允许对权重进行更多的“基本真实”确认。


使用定量图像处理度量的混合决策流程也可以增强,以提供统计上的独立匹配建议。