AI在婚恋领域是怎么起作用的?

2019 年 7 月 25 日 腾讯研究院

背景

众所周知,日本社会老龄化十分严重,而众多年轻一代别说生育了,连结婚谈恋爱的动力都没有,这一状况让日本各界苦恼不已。


2018年12月起,日本政府针对20-40岁、有结婚愿望的3980位未婚男女进行了问卷调查,并通过日媒,于今年1月8日公布了这份关于日本人结婚倾向的调查结果。调查显示,只有27%的人认为“结婚是理所当然的”,回答“可以不结婚”的占68%,认为“即使结婚,也可以不要孩子”的占60%,30-39岁年龄段接受可以终身不婚的比例最高,达到88%。高达70%认可不结婚的比例,创下了自调查开始25年以来的最高纪录。

针对回答最多答案的人群,当问到有没有采取一些行动找对象时,61.4%的人称“并没有特别采取什么行动”。特别是20多岁的男性,有72%的人都回答“没有什么行动”。日媒称,由此可以看出,现在的年轻男性对于找对象呈现出较为消极的心态。


而谈及为何不打算婚恋的时候,这项报告显示,46.8%的人回答“没有遇到合适的对象”,26.6%的人回答“结婚的钱不够”,24%的人回答“无法与异性好好交往”。由此,报告得出结论[1],20-40岁适龄男女不结婚的一大原因为“没有遇到合适的对象”。


基于这一调查结果,日本政府18日发表了《少子化社会对策白皮书》。白皮书指出,许多人有结婚意向,却不采取行动,政府需支援这些人群,比如创造年轻人在职场内外的多种相亲活动,增加找到合适对象的机会。


更重要的是,白皮书中还介绍了日本爱媛县的一项新颖的举措:利用AI,帮助年轻人匹配到合适的婚恋对象。

AI 约会并不是科幻

AI解决婚恋问题并不是一个完全的新概念,在《黑镜》第四季中的《HangTheDJ》一集,就描述了一个AI约会App中的科幻场景:计算机通过详细地了解使用者的性格特征,构筑出一个拥有使用者性格的AI,然后再让两个使用者的AI在虚拟世界中经历无数段人生,来观察二者之间的匹配度。

现实中AI在解决婚恋问题时自然不会这么“科幻”,但近年来也不乏许多通过性格、外貌等信息进行大数据匹配的约会App出现,但大多数停留在约会方向上。而日本则希望通过AI 能为用户找到以结婚为目的,关系更为长久的伴侣。


不过,在开始探讨AI婚恋为人际关系带来哪些新特征之前,让我们先回顾一下过去在没有互联网的时代,我们是如何认识真命天女/子,以及这种方式在现代发生了哪些变化。


基本上来说,那个时代,全球最通行的认识一个新的潜在婚恋对象的方式即“朋友推荐”。随着当代工作生活节奏变快,城市邻里关系变化等因素的影响,朋友推荐这种模式却逐渐变得“不那么靠谱”。究其原因,大致有三点:


第一,总量小。通常我们的朋友圈相对我们的活动圈是小很多的,朋友推荐的也就是朋友的没有对象的朋友通常都不多,以至于可以筛选的就很少,在当今日本大家生活比较安逸满足的情况下就容易秉持着“宁缺毋滥”的态度再看看,看着看着就容易过去了。而相对的,通过大数据匹配基本可以将一个时间段和指定区域的潜在对象都做一轮条件测试,量就会大很多。


第二,费时。通常如果是朋友推荐的对象,碍于面子都是要去见上一面的。如果工作比较忙碌,下班还要飞奔到城市的另一头见一个大概率此生不再相见的人,对于许多人来说还是比较耗费精力的。如果一周安排了3场见面会的话,那么往后对见面这件事情,会产生阴影也说不定。特别是那些本来就难以找到对象的宅男宅女们,见面会更是将他们推向了恐惧的深渊。而在线相亲,相对来说,只在彼此对彼此的认可区间都比较高的时候双方才会相见,完全没有了时间上的顾虑。


第三,面子。如果是朋友介绍的潜在对象,那么去见面前需要担忧的事情就挺多的了,譬如,见面之后感觉不是很好,是不是会驳朋友的面子?如果感觉有10%几率能谈,双方试一试结果分了,会不会和朋友连朋友也做不成了?


如上所述,“朋友推荐”模式在现代人婚恋生活里逐渐失效,认识真名天女/子如此之苦难,无怪乎人们纷纷感叹“单身一时爽,一直单身一直爽。”


事实上,这一议题也是日本白皮书所关注群体的最大痛点,并由此使得日本官方开始探索AI解决婚恋问题的可能性和付诸实践。而日本《少子化社会对策白皮书》中提到的爱媛县,则是这场实践中一个比较成功的案例。


爱媛县最初从2008 年开始由志愿者组织单身青年男女的联合约会(集体相亲),但受限于上述因素,起初效果并不理想。到2011年开始,同样是集体相亲活动,在其中引入了AI 对每次集体相亲的人员进行筛选匹配之后,相亲成功的实施率升高了16%。

AI在婚恋领域可以做什么?

产品思维告诉我们,每个复杂的问题都是可以分解成几个小问题来解决的。这里我们使用 “发现问题 - 拆分成几个小问题- 解决这几个小问题”的思路,来看看可以怎么解决婚恋问题。


一对未知的潜在交往对象,必须得在浏览有限的相亲资料的情况下看上对方。所谓的“看上对方”,通常需要满足视觉上的“一见钟情”、社会现实条件和性格匹配三个大条件。


在传统的约会或婚恋组织、网站中,这三个条件又面临几个细分的问题:


1.    虽然婚恋网站都有照片,但用户总量也十分可观,一个新进入的用户从哪开始「一见」。

2.    社会现实条件如职业、薪资、受教育水平是可以直接填写的,但大家往往并不愿意自己的太多信息直接暴露给陌生人。

3.    性格上就更不用说了,传统模式下的「性格」更像玄学,没有可直观体现的标准。

AI在解决这三个问题上的方法,无非是量化、特征提取、匹配三个步骤。


以视觉上的一见钟情为例,一见钟情似乎是一个较为复杂的问题,用户往往在「遇到那个对的人」之前都说不出来自己喜欢什么样的。


但一旦特征化之后,人类的长相全都是一个鼻子一张嘴,两只眼睛两个耳朵。每个人在样貌上的偏好万变不离五观每一个元素的数据变化。


虽然人不能准确描述自己对每一个元素的精确数字,但我们可以通过输入「梦中情人」来曲线救国。


AI 可以先通过用户输入的爱好等信息查看其是否有喜欢的明星或者二次元人物,之后在资料库中检索其他用户照片是否匹配该明星或二次元人物的关键特征,由此来筛选出数据库中是否有适合的“梦郎”/“梦姑”。


除此之外,婚恋“成功案例”也可以是AI 匹配的训练集:我们可以将区役所或市役所(民政局)中成功结婚的人的结婚照录入AI 学习的照片库(训练集)中,如果其中一方(假设为A)开始查询,我们则先在照片库中找到近似A 的人,然后开始查询另一方B 的照片,之后再在我们登记的数据库中匹配近似B 的人。


如果到这里我们依然没有找到合适的可以推荐的对象怎么办?莫慌,有句话说“人总是喜欢和自己长得像的人”,和自己像的人不仅是相貌和自己接近,性格、兴趣爱好也应当比较接近。那么这里我们就要开始考虑如何解决性格匹配的问题了:性格方面我们依然可以使用上述的特征点提取进行处理。


而社会现实条件,可以通过用户的生活圈或物理生活轨迹进行匹配。比如消费水平、活动区域、信用卡账单等,同时这些信息可以隐形化的出现在用户之间的推荐中,避免将薪资、职业等信息直接透露给陌生人。


当然,要生活在一起性格肯定更加重要了。在过去,介绍人对双方性格的匹配程度往往依据自身的主观判断。与「一见钟情」相同,对性格的量化、特征提取与匹配是一个在人工时代更无法完成的动作,这也是很多人恋爱走向悲剧的原因。


在这一领域,可以从用户上网的一些行为数据入手——在聊天的时候喜欢发什么类型的表情、用户平时喜欢玩什么样的游戏、喜欢浏览什么样的网站、看什么样的视频、听什么样的音乐或是喜欢什么样的电影等等。从已结婚成功案例的反推训练集,亦可对这一匹配的精准度做出贡献。


好了,到这里,假象一下我们自己是这个匹配系统的一方,那么通过算法,我们就能够解决从认识到相处的最难区间的问题了:有一个性格和眼缘都比较搭的潜在对象— 嗯,离我还不远,出来见见吧— 呀,你点的菜我也爱吃诶— 对对对,我最近也在追这个剧— 你居然也玩这个游戏诶,在哪个区呀,一起开黑啊。接下来双方见家长,由于门当户对(社会条件匹配),双方家长一看点头同意,喜结良缘。

--END--

作者 | 老木 TRI轻作者

参考文献

[1]日本内阁府.令和元年版少子化社会对策白皮书[OL].https://www8.cao.go.jp/shoushi/shoushika/whitepaper/measures/w-2019/r01pdfgaiyoh/pdf/01gaiyoh.pdf

登录查看更多
0

相关内容

日本国位于东亚,是由日本列岛(北海道·本州·四国·九州及其相关岛屿),及南西诸岛,小笠原诸岛等众岛屿组成的岛国。国土面积377,961,73k㎡(62位)。人口总数一亿2688万人(2015年)(10位)。公用语,日本语。国歌,《君が代》,首都,东京都。
深度学习可解释性研究进展
专知会员服务
98+阅读 · 2020年6月26日
【中科院自动化所】视觉对抗样本生成技术概述
专知会员服务
35+阅读 · 2020年4月15日
专知会员服务
124+阅读 · 2020年3月26日
【新加坡国立大学】深度学习时代数据库:挑战与机会
专知会员服务
33+阅读 · 2020年3月6日
【综述】金融领域中的深度学习,附52页论文下载
专知会员服务
164+阅读 · 2020年2月27日
近期必读的6篇AI顶会WWW2020【推荐系统】相关论文
专知会员服务
56+阅读 · 2020年2月25日
2019->2020必看的十篇「深度学习领域综述」论文
专知会员服务
271+阅读 · 2020年1月1日
2019中国硬科技发展白皮书 193页
专知会员服务
82+阅读 · 2019年12月13日
医疗知识图谱构建与应用
专知会员服务
384+阅读 · 2019年9月25日
我是怎么走上推荐系统这条(不归)路的……
全球人工智能
11+阅读 · 2019年4月9日
AI情绪识别技术背后:一场悄然来袭的“暴政”
大数据文摘
7+阅读 · 2018年10月11日
AI综述专栏 | 跨领域推荐系统文献综述(上)
人工智能前沿讲习班
13+阅读 · 2018年5月16日
【财富空间】一个人真正的资本是什么
产业智能官
6+阅读 · 2018年3月16日
如何看待目前国内AI公司的估值?
雷锋网
4+阅读 · 2017年12月25日
"AI+教育"是虚火还是风口?
数据玩家
3+阅读 · 2017年12月14日
目标检测也就是这么简单
计算机视觉战队
11+阅读 · 2017年10月20日
人工智能与医疗,正成为人工智能时代重头戏
机器之能
6+阅读 · 2017年7月10日
Continual Unsupervised Representation Learning
Arxiv
7+阅读 · 2019年10月31日
Music Transformer
Arxiv
5+阅读 · 2018年12月12日
Arxiv
136+阅读 · 2018年10月8日
Relational recurrent neural networks
Arxiv
8+阅读 · 2018年6月28日
Arxiv
7+阅读 · 2018年5月23日
Arxiv
10+阅读 · 2018年2月4日
VIP会员
相关VIP内容
深度学习可解释性研究进展
专知会员服务
98+阅读 · 2020年6月26日
【中科院自动化所】视觉对抗样本生成技术概述
专知会员服务
35+阅读 · 2020年4月15日
专知会员服务
124+阅读 · 2020年3月26日
【新加坡国立大学】深度学习时代数据库:挑战与机会
专知会员服务
33+阅读 · 2020年3月6日
【综述】金融领域中的深度学习,附52页论文下载
专知会员服务
164+阅读 · 2020年2月27日
近期必读的6篇AI顶会WWW2020【推荐系统】相关论文
专知会员服务
56+阅读 · 2020年2月25日
2019->2020必看的十篇「深度学习领域综述」论文
专知会员服务
271+阅读 · 2020年1月1日
2019中国硬科技发展白皮书 193页
专知会员服务
82+阅读 · 2019年12月13日
医疗知识图谱构建与应用
专知会员服务
384+阅读 · 2019年9月25日
相关资讯
我是怎么走上推荐系统这条(不归)路的……
全球人工智能
11+阅读 · 2019年4月9日
AI情绪识别技术背后:一场悄然来袭的“暴政”
大数据文摘
7+阅读 · 2018年10月11日
AI综述专栏 | 跨领域推荐系统文献综述(上)
人工智能前沿讲习班
13+阅读 · 2018年5月16日
【财富空间】一个人真正的资本是什么
产业智能官
6+阅读 · 2018年3月16日
如何看待目前国内AI公司的估值?
雷锋网
4+阅读 · 2017年12月25日
"AI+教育"是虚火还是风口?
数据玩家
3+阅读 · 2017年12月14日
目标检测也就是这么简单
计算机视觉战队
11+阅读 · 2017年10月20日
人工智能与医疗,正成为人工智能时代重头戏
机器之能
6+阅读 · 2017年7月10日
相关论文
Continual Unsupervised Representation Learning
Arxiv
7+阅读 · 2019年10月31日
Music Transformer
Arxiv
5+阅读 · 2018年12月12日
Arxiv
136+阅读 · 2018年10月8日
Relational recurrent neural networks
Arxiv
8+阅读 · 2018年6月28日
Arxiv
7+阅读 · 2018年5月23日
Arxiv
10+阅读 · 2018年2月4日
Top
微信扫码咨询专知VIP会员