كيف يعمل NameRate
تعتمد قاعدة NameRate على نموذج تعلم آلي غير قابل للتفسير يتم تدريبه باستمرار باستخدام بيانات إضافية. عندما يصبح النموذج التجريبي الجديد مستقرًا، يحل محل النموذج الأساسي ويستمر التدريب في النموذج التجريبي الجديد.
من أين تُجمع البيانات
1. المنصات لبيع الألقاب
بيانات مفتوحة من المصادر التي تُباع فيها الألقاب والنطاقات.
المصادر الرئيسية اليوم هي:
ما الذي يُحلل؟
- الصفقات الناجحة: الألقاب التي تم بيعها، أسعارها وسرعة البيع.
- القوائم غير الناجحة: الألقاب التي لم تجد مشتريًا، وأسباب ذلك (السعر، انخفاض الطلب، إلخ).
- شعبية الفئات: الفئات المطلوبة، مثل الأعمال، العملات الرقمية أو الأسماء.
2. اتجاهات السوق
يقوم NameRate بتحليل البيانات الخارجية المتعلقة بشعبية الكلمات والعبارات. ولتحقيق ذلك يُستخدم:
- مزادات محركات البحث: الإحصائيات المستخدمة لوضع الإعلانات السياقية.
- المصادر الإلكترونية: الكلمات الشائعة في المنشورات على الإنترنت، والعبارات التي تُذكر بشكل متكرر.
- الشبكات الاجتماعية: الاتجاهات والمواضيع الرئيسية على Telegram وTwitter ومنصات أخرى.
- الثقافة الشعبية والأدب: الكلمات والعبارات التي تتكرر في الثقافة الشعبية، الكتب أو الأفلام.
3. تفضيلات المستخدمين عبر NameRateBot
على الرغم من الحجم الكبير للبيانات غير المباشرة المستخدمة في التدريب، فإن بيانات المبيعات لا تزال غير كافية للتحقق من جودة الخوارزمية.
لهذا السبب، قمنا بإطلاق تطبيق Telegram @NameRateBot للحصول على آراء المستخدمين. بالنسبة لنا، هو مصدر معرفة ثمين جدًا نستخدمه للتحقق من جودة التقييمات. وللمستخدمين، هو وسيلة جيدة للحصول على توكناتنا.
تمت إضافة آلية تشبه تطبيق Tinder:
- يقوم المستخدمون بالتمرير للألقاب إلى اليمين (يعجبني) أو إلى اليسار (لا يعجبني)
- يساعد كل تمريرة في التحقق من أوزان النموذج
- يحصل المستخدمون على مكافأة بـ $NMRT
حاليًا، تم إضافة آلية التمرير فقط، ولكن لتحسين النموذج التجريبي التالي سنضيف آليات أخرى، مثل:
- آلية بإدخال المستخدم (1)
- آلية بالمقارنة الزوجية (2)
- تُلتقط ما يخطر على بال المستخدمين
- تزيد من دقة التقييم
لحماية من الاحتيال
- حد التمرير: لا يتجاوز 10 تمريرات في اليوم لمنع التلاعب
- تحليل الأنماط غير الطبيعية: إذا قام المستخدم بتقييم الألقاب بسرعة أو بشكل عشوائي، يتم استبعاد تلك البيانات
مبادئ عمل الخوارزمية
يُعتبر NameRate نموذج تعلم آلي غير قابل للتفسير. هذا يعني أنه لا يمكن تحديد السبب بدقة وراء إعطاء الخوارزمية لتقييم معين. فيما يلي نقدم مثالاً يوضح كيف يمكن أن تعمل المبادئ الأساسية وأهم الخصائص.
تتغير الخصائص وأوزانها مع تحديث نسخة النموذج.
يستخدم النموذج الحالي جميع الخصائص المذكورة أدناه، لكنه ليس مقيدًا بها فقط. تُقدم تفسير الخصائص لأغراض مرجعية فقط (1)
- عمل نموذجنا الأولي بطريقة مشابهة.
مثال
بعض الخصائص ذات التأثير العالي:
طول اللقب
كلما كان أقصر، كان أفضل:
@root أو @final أكثر قيمة من @longnickname123
الرموز غير الحرفية: مثل الأرقام أو الشرطة السفلية
الأرقام في الألقاب تقلل من القيمة:
@josephine أفضل من @josephine12345
ومع ذلك، تزيد الأرقام من وزن اللقب إذا أضافت معنى (مثال: @peer2peer أو @season4)
التكرارات
بشكل عام، يقلل التكرار الزائد للأحرف من القيمة:
يفقد @eeenemy قيمته بسبب التكرار المفرط. الاستثناء: التكرارات التي تُشكل جزءًا من كلمة ذات معنى.
من اللافت أن تكرار الكلمات ذات المعنى يؤثر قليلاً على التقييم.
الحمل الدلالي
الكلمات والعبارات الحقيقية تُقدر أعلى
@space_jaguar أفضل من @qazws_jaguar
الشعبية: الاتجاهات في البحث، الأدب أو الشبكات الاجتماعية
الأكثر شعبية = الأفضل
تُقيم الألقاب مثل @blockchain، @meta_boom أو @music أعلى بفضل شعبيتها
تُقسم الاتجاهات إلى ثابتة وديناميكية، وكذلك وفقًا لمصادرها.
الموضوعية: تحدد الاتجاهات ومزادات الإعلانات في محركات البحث قيمة الموضوع.
القواميس
نقوم بإنشاء وتحديث قواميس موضوعية لتحديد الفئات التي ينتمي إليها اللقب.
على سبيل المثال: الأعمال، العملات الرقمية، الثقافة الشعبية، الأسماء إلخ. يُراعى التداخل – حيث تحتوي قواميس المستوى الأول على قواميس من المستوى الثاني، وما إلى ذلك.
قد ينتمي لقب غير شعبي إلى موضوع شعبي والعكس صحيح
مثال: إذا كان @zkevmbidge نادر الظهور على الإنترنت، فإن ذلك يقلل من قيمته، ولكن إذا كان ينتمي إلى موضوع قيم مثل blockchain، فإن ذلك يزيد من قيمته.
الارتباطات الجغرافية: لها تأثير إيجابي وسلبي على حد سواء.
يحصل @NYC_blah أو @London_example على تأثير إضافي من الخصائص الجغرافية.
هذه قائمة بأوضح وأبسط الخصائص ذات التأثير العالي. بالإضافة إلى ذلك، توجد خصائص يصعب تفسيرها (مثل سجل المبيعات)، وخصائص غير مستقرة، وأخرى لا نرغب في مشاركتها. لا يأخذ الحساب الحالي في الاعتبار الاستنتاجات المذكورة أعلاه على الرغم من وضوحها. أنتم تساعدوننا كثيرًا عندما تصوتون بصدق على الأسماء التي تعتقدون أنها جيدة في التطبيق. نحن لا نقدم معايير محددة لـ "لقب جيد" عمدًا، حتى تقيّموا بناءً على شعوركم.