M
Moshkin hakkında

Koku dünyasının matematiksel haritası

Moshkin her parfümü notaları, akorları ve kullanıcıların kalıcılık, koku izi ve mevsim değerlendirmelerinden oluşan 256 boyutlu bir vektöre dönüştürür. Vektörlerin yakınlığı, marka ve fiyattan bağımsız olarak kayıtlı koku özelliklerinin benzerliğini gösterir.

15.000nota ve akor bilgisi bulunan parfüm
1.144marka
3 dilFarsça, İngilizce, Fransızca
Günlükveri güncellemeleri

Üç adımda yöntem

  1. 1

    Vektör gösterimi

    Notalar üst, kalp ve baz için ayrı ağırlıklarla ve nadir notalara daha çok önem veren IDF ile kodlanır. Akorlar ve kullanıcı değerlendirmeleri de eklenir. Son vektöre L2 normalizasyonu uygulanır.

  2. 2

    Benzerliği ölçme

    İki parfüm, vektörlerinin kosinüs benzerliğiyle karşılaştırılır. Bu içerik tabanlı bir öneri sistemidir; aynı marka veya birlikte satın alınma yerine koku özelliklerinin yakınlığına dayanır.

  3. 3

    Boyut indirgeme

    UMAP, noktalar arasındaki ilişkileri korumaya çalışarak 256 boyutlu uzayı iki boyuta indirger. Sonuç, benzer özellikteki parfümlerin kümeler oluşturduğu parfüm haritasıdır.

Moshkin’in arkasındaki bilim

Perde arkasında neler olduğunu merak edenler için.

Moshkin benzer parfümleri nasıl bulur?
Her parfüm; akorlarını, üst, kalp ve baz için farklı ağırlıklarla notalarını, puan, kalıcılık ve koku izi gibi özelliklerini kodlayan 256 boyutlu bir vektöre dönüştürülür. Nadir notalara IDF ile daha yüksek ağırlık verilir, vektörler normalize edilir ve aralarındaki yakınlık kosinüs benzerliğiyle ölçülür. Bu, içerik tabanlı bir öneri sistemidir: benzerlik aynı markadan gelmeyi değil, verilerdeki koku özelliklerinin yakınlığını ifade eder.
Parfüm haritası nedir, nasıl oluşturulur?
256 boyutlu koku uzayı doğrudan görülemediği için UMAP, gerektiğinde de t-SNE ile iki boyutlu bir görünüme (2D) indirgenir. Bu yöntemler boyutları azaltırken noktalar arasındaki ilişkileri korumaya çalışır. Koku özellikleri benzer parfümler haritada yakın konumlanır; görsel olarak keşfedebileceğiniz aileler ve gruplar oluşturur.
Arkasında hangi matematik ve veri bilimi yöntemleri var?
Temel yöntemler vektör uzayı gösterimi, binlerce nota için özellik karma işlemi, IDF ağırlıklandırma, L2 normalizasyonu, kosinüs benzerliği ve UMAP/t-SNE ile doğrusal olmayan boyut indirgemedir. Kullanıcı puanları tamamlayıcı bir sinyal olarak kullanılır. Lineer cebir ve makine öğrenmesi kokuya uygulanır.
Sinir ağları kullanıyor musunuz?
Moshkin’in mevcut temel motoru sinir ağı yerine vektörlere ve boyut indirgemeye, yani klasik makine öğrenmesine dayanır. Yol haritamızda koku temsillerini doğrudan öğrenmek için sinir ağları ve derin öğrenme eklemek var. Moleküler yapıyı koku algısıyla eşleştirmek için graf sinir ağları kullanan, Science’ta 2023’te yayımlanan Principal Odor Map gibi çalışmalardan ilham alıyoruz.
Veriler nereden geliyor, ne kadar güncel?
Veriler kamuya açık parfüm kaynaklarından, yani siteler, forumlar ve dergilerden ve kullanıcı oylarından toplanır; ardından temizlenir, karşılaştırılır ve birleştirilir. Sürekli izlenip güncellenir. Yeni kayıtlar aynı vektör uzayına yerleştirilerek zaman içinde karşılaştırmaların tutarlı kalması sağlanır.
Kaynaklar ve ek okumalar

Çalışmamızın dayandığı yöntemler ve fikirler:

Bir parfümün en yakın komşularını görün

Bir parfüm seçin; koku özellikleri ona en yakın olanları gösterelim.