Как мы научили сервис не путать “того самого” кота с его рыжим братом
В «Найди друга» мы внедрили embedding-based matching, добавили ранжирование, visual similarity для дедупликации и temporal decay в scoring, чтобы уменьшить шум и ложные совпадения.
В «Найди друга» мы внедрили embedding-based matching: каждое фото превращаем в вектор, а дальше ищем ближайших соседей. По сути, даём алгоритму зрительную память — must have в эпоху, когда AI уже везде, от поиска до камер в телефонах.
Но в жизни всё как назло: два рыжих кота в одном районе, один ракурс, один вайб. Поэтому мы добавили ранжирование, чтобы не сыпать людям ложные надежды. А если одного найденного кота загрузили несколько человек, включается visual similarity для дедупликации — без дублей и хаоса в ленте.
Ещё один важный слой — temporal decay в scoring: чем старее объявление, тем ниже релевантность. Потому что фото недельной давности и “видели 5 минут назад” — это, мягко говоря, разный сигнал.
Короче, меньше шума, больше реальных совпадений. И да, коты всё ещё самые сложные пользователи