AI-система матчингу учасників та нетворкінгу на заходах
Цінність конференцій - як нетворкінгу. Але учасники проводять час у випадкових розмовах замість зустрічей із потрібними людьми. AI-матчінг знаходить оптимальні пари для зустрічей: шукає комплементарність (хто шукає ≠ хто пропонує), а не просто схожість.
Алгоритм нетворкінг-матчингу
import numpy as np
import pandas as pd
from sentence_transformers import SentenceTransformer
from sklearn.metrics.pairwise import cosine_similarity
from anthropic import Anthropic
import json
class NetworkingMatcher:
"""Матчинг участников мероприятия для нетворкинга"""
def __init__(self):
self.encoder = SentenceTransformer('paraphrase-multilingual-mpnet-base-v2')
self.llm = Anthropic()
def build_participant_profile(self, participant: dict) -> dict:
"""Структурированный профиль участника"""
return {
'id': participant['id'],
'name': participant.get('name', ''),
'role': participant.get('job_title', ''),
'company': participant.get('company', ''),
'seeking': participant.get('looking_for', ''), # Что ищет
'offering': participant.get('can_offer', ''), # Что может дать
'interests': participant.get('topics_of_interest', []),
'industries': participant.get('industries', []),
'bio_embedding': self._encode_bio(participant)
}
def _encode_bio(self, participant: dict) -> np.ndarray:
bio_text = f"{participant.get('job_title', '')} at {participant.get('company', '')}. " \
f"Interests: {', '.join(participant.get('topics_of_interest', []))}. " \
f"Looking for: {participant.get('looking_for', '')}."
return self.encoder.encode(bio_text, normalize_embeddings=True)
def compute_match_score(self, p1: dict, p2: dict) -> float:
"""
Комплементарный матчинг: p1 ищет то, что p2 предлагает, и наоборот.
Плюс общие интересы для conversation starters.
"""
# Семантическое сходство биографий (общий контекст)
bio_similarity = float(cosine_similarity(
p1['bio_embedding'].reshape(1, -1),
p2['bio_embedding'].reshape(1, -1)
)[0, 0])
# Комплементарность: p1.seeking ↔ p2.offering
if p1.get('seeking') and p2.get('offering'):
seeking_offering_sim = float(cosine_similarity(
self.encoder.encode(p1['seeking'], normalize_embeddings=True).reshape(1, -1),
self.encoder.encode(p2['offering'], normalize_embeddings=True).reshape(1, -1)
)[0, 0])
else:
seeking_offering_sim = 0.3
# Обратная комплементарность: p2.seeking ↔ p1.offering
if p2.get('seeking') and p1.get('offering'):
reverse_sim = float(cosine_similarity(
self.encoder.encode(p2['seeking'], normalize_embeddings=True).reshape(1, -1),
self.encoder.encode(p1['offering'], normalize_embeddings=True).reshape(1, -1)
)[0, 0])
else:
reverse_sim = 0.3
# Совпадение индустрий
p1_industries = set(p1.get('industries', []))
p2_industries = set(p2.get('industries', []))
industry_overlap = len(p1_industries & p2_industries) / max(len(p1_industries | p2_industries), 1)
# Взвешенный скор
score = (
bio_similarity * 0.20 +
(seeking_offering_sim + reverse_sim) / 2 * 0.60 +
industry_overlap * 0.20
)
return float(np.clip(score, 0, 1))
def generate_matches(self, participants: list[dict],
matches_per_person: int = 5) -> list[dict]:
"""Генерация персональных нетворкинг-матчей"""
profiles = [self.build_participant_profile(p) for p in participants]
n = len(profiles)
# Матрица скоров
scores = np.zeros((n, n))
for i in range(n):
for j in range(i+1, n):
score = self.compute_match_score(profiles[i], profiles[j])
scores[i, j] = score
scores[j, i] = score
# Для каждого участника — топ-K матчей
all_matches = []
for i, profile in enumerate(profiles):
top_indices = np.argsort(-scores[i])[:matches_per_person + 1]
top_indices = [j for j in top_indices if j != i][:matches_per_person]
for j in top_indices:
all_matches.append({
'participant_a': profile['id'],
'participant_b': profiles[j]['id'],
'match_score': round(float(scores[i, j]), 3),
'icebreaker': self._generate_icebreaker(profile, profiles[j])
})
# Дедупликация (каждая пара только один раз)
seen_pairs = set()
unique_matches = []
for match in all_matches:
pair = tuple(sorted([match['participant_a'], match['participant_b']]))
if pair not in seen_pairs:
seen_pairs.add(pair)
unique_matches.append(match)
return sorted(unique_matches, key=lambda x: -x['match_score'])
def _generate_icebreaker(self, p1: dict, p2: dict) -> str:
"""Conversation starter для встречи"""
response = self.llm.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=80,
messages=[{
"role": "user",
"content": f"""Write a 1-sentence icebreaker for a networking meeting in Russian.
Person 1: {p1.get('role')} at {p1.get('company')}, looking for: {p1.get('seeking', '')}
Person 2: {p2.get('role')} at {p2.get('company')}, offering: {p2.get('offering', '')}
Highlight the specific synergy. Be concrete and natural."""
}]
)
return response.content[0].text.strip()
class MeetingScheduler:
"""Оптимизация расписания встреч"""
def schedule_meetings(self, matches: list[dict],
participants: dict,
time_slots: list[str],
meeting_duration_min: int = 15) -> list[dict]:
"""Жадное расписание: максимизируем количество встреч"""
scheduled = []
participant_slots = {pid: set() for pid in participants}
# Сортируем матчи по скору (лучшие первыми)
sorted_matches = sorted(matches, key=lambda x: -x['match_score'])
for match in sorted_matches:
pa, pb = match['participant_a'], match['participant_b']
# Ищем свободный слот для обоих
pa_busy = participant_slots[pa]
pb_busy = participant_slots[pb]
for slot in time_slots:
if slot not in pa_busy and slot not in pb_busy:
scheduled.append({
**match,
'time_slot': slot,
'duration_min': meeting_duration_min,
'location': f"Table {len(scheduled) % 20 + 1}"
})
participant_slots[pa].add(slot)
participant_slots[pb].add(slot)
break
return scheduled
AI-нетворкінг на конференціях збільшує кількість корисних зустрічей (оцінюються учасниками як valuable) з 30-40% до 65-75% від загальної кількості зустрічей. Ключовий insight: комплементарний матчинг (seeking/offering) працює краще ніж similarity-матчинг (схожі ролі).