Lewati ke isi

Bagaimana NameRate Bekerja

Dasar dari NameRate adalah model pembelajaran mesin yang tidak dapat diinterpretasikan, yang terus dilatih ulang berdasarkan data tambahan. Ketika model percobaan baru menjadi stabil, model tersebut menggantikan model utama, dan pelatihan berlanjut pada model percobaan yang baru.

Dari Mana Data Dikumpulkan

1. Platform Penjualan Nama Panggilan

Data terbuka dari sumber-sumber di mana nama panggilan dan domain dijual.

Saat ini, sumber utama adalah:

  • Fragment — sebuah platform yang terintegrasi dengan TON, tempat pengguna membeli dan menjual nama panggilan.
  • GetGems — marketplace NFT untuk perdagangan nama panggilan dan aset digital lainnya.

Apa yang Dinilai?

  • Transaksi yang berhasil: nama panggilan yang telah terjual, harga, dan kecepatan penjualannya.
  • Daftar yang gagal: nama panggilan yang tidak mendapatkan pembeli, serta alasannya (harga, permintaan rendah, dll).
  • Popularitas kategori: kategori yang diminati, misalnya bisnis, kripto, atau nama.

2. Tren Pasar

NameRate menganalisis data eksternal yang terkait dengan popularitas kata dan frasa. Untuk itu digunakan:

  • Lelang mesin pencari: statistik yang digunakan untuk penempatan iklan kontekstual.
  • Sumber daring: kata-kata populer dalam publikasi online, frasa yang sering disebut.
  • Jejaring Sosial: tren dan topik utama yang relevan di Telegram, Twitter, dan platform lainnya.
  • Budaya Populer dan Sastra: kata dan ungkapan yang sering muncul dalam budaya pop, buku, atau film.

3. Preferensi Pengguna melalui NameRateBot

Meskipun terdapat banyak data tidak langsung untuk pelatihan, data penjualan masih belum cukup untuk validasi algoritma yang berkualitas.

Oleh karena itu, kami meluncurkan aplikasi Telegram @NameRateBot untuk mengumpulkan pendapat pengguna. Bagi kami, ini adalah sumber pengetahuan yang sangat berharga yang kami gunakan untuk memeriksa kualitas evaluasi. Bagi pengguna, ini adalah cara yang baik untuk mendapatkan token kami.

Saat ini telah ditambahkan mekanisme seperti Tinder:

  • Pengguna menggeser nama panggilan ke kanan (suka) atau ke kiri (tidak suka)
  • Setiap geseran membantu memvalidasi bobot model
  • Pengguna mendapatkan hadiah berupa $NMRT

Saat ini hanya mekanisme geser yang ditambahkan, tetapi untuk meningkatkan model percobaan berikutnya, kami akan menambahkan mekanisme lain, misalnya:

  • Mekanisme dengan input pengguna (1)
  • Mekanisme dengan perbandingan berpasangan (2)
  1. Menangkap apa yang terlintas di pikiran pengguna
  2. Meningkatkan akurasi penilaian
Untuk melindungi dari penipuan
  • Batas geser: Tidak lebih dari 10 geseran per hari untuk mencegah manipulasi
  • Analisis pola abnormal: Jika pengguna menilai nama panggilan terlalu cepat atau secara acak, data tersebut akan dikeluarkan

Prinsip Kerja Algoritma

NameRate adalah model ML yang tidak dapat diinterpretasikan. Ini berarti tidak mungkin untuk menentukan dengan tepat mengapa algoritma memberikan penilaian tertentu. Di bawah ini, kami memberikan contoh yang menunjukkan bagaimana prinsip dasar dan fitur-fitur paling berpengaruh dapat bekerja.

Fitur dan bobotnya berubah dengan setiap pembaruan versi model.

Algoritma saat ini menggunakan semua fitur di bawah ini, tetapi tidak terbatas pada fitur-fitur tersebut. Interpretasi fitur disediakan hanya sebagai referensi (1)

  1. Prototipe kami bekerja dengan cara yang serupa.

Contoh

Beberapa fitur yang memiliki pengaruh besar:

Panjang Nama Panggilan

Semakin pendek, semakin baik:

@root atau @final lebih berharga daripada @longnickname123

Simbol Non-Huruf: seperti angka atau garis bawah

Angka dalam nama panggilan mengurangi nilai:

@josephine lebih baik daripada @josephine12345

Namun, angka dalam nama panggilan meningkatkan bobot jika menambahkan makna (misalnya, @peer2peer atau @season4)

Pengulangan

Secara umum, pengulangan karakter mengurangi nilai:

@eeenemy kehilangan nilai karena pengulangan yang berlebihan. Pengecualian: pengulangan sebagai bagian dari kata yang bermakna

Menariknya, pengulangan kata bermakna hampir tidak berpengaruh pada penilaian

Makna Semantik

Kata dan frasa nyata dihargai lebih tinggi

@space_jaguar lebih baik daripada @qazws_jaguar

Popularitas: Tren dalam pencarian, sastra, atau jejaring sosial

Lebih populer = lebih baik

Nama seperti @blockchain, @meta_boom, atau @music dinilai lebih tinggi karena popularitasnya

Tren dibagi menjadi statis dan dinamis, serta berdasarkan sumbernya.

Tema: Nilai suatu tema ditentukan oleh tren dan lelang iklan di mesin pencari.

Kamus

Kami membuat dan memperbarui kamus tematik untuk menentukan kategori apa yang relevan dengan nama panggilan.

Misalnya: bisnis, kripto, budaya pop, nama, dll. Struktur hierarkis disediakan – kamus tingkat 1 berisi kamus tingkat 2, dan seterusnya.

Nama panggilan yang tidak populer mungkin termasuk dalam tema yang populer dan sebaliknya

Contoh: @zkevmbidge hampir tidak disebutkan di internet – ini mengurangi nilainya. Namun, jika termasuk dalam tema yang bernilai tinggi seperti blockchain, nilainya meningkat.

Keterkaitan Geografis: Memberikan pengaruh baik positif maupun negatif.

@NYC_blah atau @London_example akan mendapatkan pengaruh tambahan dari fitur geografis.

Ini adalah daftar fitur yang paling jelas dan mudah dipahami dengan pengaruh besar. Selain itu, ada fitur yang sulit diinterpretasikan (seperti riwayat penjualan), fitur yang tidak stabil, dan fitur-fitur yang belum kami bagikan. Perhitungan saat ini tidak mempertimbangkan kesimpulan di atas meskipun jelas. Anda sangat membantu kami ketika memberikan suara secara jujur pada nama-nama yang menurut Anda bagus di aplikasi. Kami sengaja tidak memberikan kriteria untuk "nama panggilan yang bagus" agar Anda menilai berdasarkan perasaan.