Details

В работе  предлагается новая архитектура подбора кандидатов для мобильного приложения знакомств, объединяющая астрологический анализ совместимости и машинное обучение на пользовательских действиях. Анализ конкурентов показал, что массовые датинг-сервисы (Tinder, Bumble) строят рекомендации исключительно на геопозиции и внешности, игнорируя ценностные и символические параметры. Специализированные астрологические приложения (Co-Star, Sanctuary, The Pattern) предоставляют развёрнутую интерпретацию натальных карт, но полностью лишены социальных функций – поиска, лайков, переписки. Таким образом, на рынке существует чёткий незаполненный сегмент: платформа, которая одновременно понимает астрологическую совместимость и позволяет общаться. Работа направлена на ликвидацию этого пробела. В ходе исследования изучены сильные и слабые стороны коллаборативной фильтрации, контентных методов и гибридных нейросетевых архитектур. Две ключевые проблемы, которые не решают существующие аналоги: «холодный старт» (новый пользователь без истории действий) и невозможность обрабатывать слабоструктурированные символические данные, к которым относятся положения планет, аспекты и дома натальной карты. В разрабатываемом приложении астрологическая совместимость (синастрия) вычисляется через сравнение эмбеддингов двух профилей, полученных с помощью библиотеки Swiss Ephemeris. Дополнительно в модель поступают поведенческие сигналы: взаимные лайки, время просмотра анкеты, факт начала диалога. Спроектирована гибридная нейросетевая архитектура, в которой эмбеддинги астрологических признаков и коллаборативных паттернов поведения двух пользователей пропускаются через билинейный слой, а затем через полносвязные слои для предсказания вероятности успешного мэтчинга. Предложенный подход решает проблему «холодного старта»: для новых пользователей без истории взаимодействий рекомендация строится преимущественно на основе астрологических признаков, а по мере накопления поведенческих данных вклад коллаборативной составляющей возрастает. Технологическая база: клиент на React Native (кроссплатформенная разработка), серверное API на Python/FastAPI (асинхронность, встроенная валидация), СУБД PostgreSQL (ссылочная целостность и индексы для геопоиска), фреймворк глубокого обучения PyTorch (динамический граф, удобная отладка). Астрологические расчёты вынесены в отдельный ETLпайплайн на основе Swiss Ephemeris (эфемериды JPL NASA) – эмбеддинги натальных карт рассчитываются однократно при регистрации. Инфраструктура контейнеризована (Docker, docker-compose), фоновые задачи распределены через Redis и Celery (пересчёт рекомендаций, push-уведомления). Итогом работы стал действующий прототип, развёрнутый на тестовом сервере. Проведено пилотное испытание с участием 50 человек (личные контакты и их друзья), подтвердившее корректную работу гибридного алгоритма и положительные отзывы о качестве подбора. Подготовлена документация и описан сценарий сравнительного эксперимента, в котором предлагается оценить точность гибридной модели относительно чисто коллаборативного и чисто контентного бейзлайнов. Результаты исследования представлены на внутреннем семинаре кафедры.

The paper proposes a new architecture for selecting candidates for a mobile dating application that combines astrological compatibility analysis and machine learning based on user actions. An analysis of competitors has shown that mass dating services (Tinder, Bumble) base recommendations solely on location and appearance, ignoring value and symbolic parameters. Specialized astrological applications (Co-Star, Sanctuary, The Pattern) provide a detailed interpretation of natal charts, but are completely devoid of social functions – search, likes, correspondence. Thus, there is a clear unfilled segment in the market: a platform that simultaneously understands astrological compatibility and allows communication. The work is aimed at eliminating this gap. The research examines the strengths and weaknesses of collaborative filtering, content-based methods, and hybrid neural network architectures. Two key problems that existing analogues do not solve are "cold start" (a new user without a history of actions) and the inability to process poorly structured symbolic data, which includes planetary positions, aspects and houses of the natal chart. In the developed application, astrological compatibility (synastry) is calculated by comparing the embeddings of two profiles obtained using the Swiss Ephemeris library. Additionally, the model receives behavioral signals: mutual likes, the time of viewing the questionnaire, and the fact that the dialogue has begun. A hybrid neural network architecture has been designed in which the embeddings of astrological signs and collaborative patterns of behavior of two users are passed through a bilinear layer, and then through fully connected layers to predict the probability of successful matching. The proposed approach solves the problem of "cold start": for new users without a history of interactions, the recommendation is based primarily on astrological signs, and as behavioral data accumulates, the contribution of the collaborative component increases. Technological base: React Native client (cross-platform development), Python/FastAPI server API (asynchrony, built-in validation), PostgreSQL database management system (referential integrity and indexes for geo-search), PyTorch deep learning framework (dynamic graph, convenient debugging). Astrological calculations are included in a separate ETL pipeline based on Swiss Ephemeris (JPL NASA ephemeris) - the embeddings of natal charts are calculated once during registration. The infrastructure is containerized (Docker, docker-compose), background tasks are distributed via Redis and Celery (recommendation recalculation, push notifications). The result of the work was a working prototype deployed on a test server. A pilot test was conducted with the participation of 50 people (personal contacts and their friends), which confirmed the correct operation of the hybrid algorithm and positive feedback on the quality of the selection. The documentation has been prepared and the scenario of a comparative experiment is described, in which it is proposed to evaluate the accuracy of the hybrid model relative to purely collaborative and purely content-based baselines. The research results are presented at the internal seminar of the department.