¿Cómo usar el aprendizaje automático básico para predecir y recomendar NFT?

2 de junio de 2022 por MyCrypto

2187

Las recomendaciones de productos algorítmicas y basadas en datos están en todas partes. En los cursos introductorios de aprendizaje automático, esto suele ser un capítulo o módulos. Actualmente se encuentran en los motores de productos y plataformas comerciales. Lo sabes: estás hablando de los preparativos de Halloween con un amigo, y la próxima vez que revisas tu bandeja de entrada, un anuncio dice que necesitas un Harry.

Las recomendaciones de productos algorítmicas y basadas en datos están en todas partes. En los cursos introductorios de aprendizaje automático, esto suele ser un capítulo o módulos. Actualmente se encuentran en los motores de productos y plataformas comerciales. Lo sabes: estás hablando de los preparativos de Halloween con un amigo, y la próxima vez que revisas tu bandeja de entrada, un anuncio dice que necesitas un disfraz de Harry Potter.

Criptografía tiene una larga historia de insistir en la privacidad y la independencia. Desafortunadamente, no hay muchos sistemas de recomendación en el NFT dominio debido a esta norma cultural dominante.

Evolución de las NFT: Cultura, Utilidad y Regulación

Aquí hay una modesta recomendación de NFT. uso mucho Mar abierto datos, así como algunas técnicas básicas de aprendizaje automático. Como resultado, hay un módulo independiente que se olvida de carteras específicas y realiza un seguimiento de los patrones de propiedad. Luego, estos patrones se pueden aprovechar para permitirle buscar recomendaciones voluntariamente: recomendaciones basadas en estadísticas del libro mayor público.

Comienzo mi publicación de blog demostrando cómo podemos anticipar la propiedad de NFT en carteras con diferentes tipos de activos. Después de eso, les mostraré una nueva interfaz llamada Spar. espato, que lleva el nombre de una antigua herramienta de navegación, le permite seleccionar un subconjunto de NFT que posee o le gustan y luego sugerir otros tipos de activos de NFT. Estas sugerencias se basan en tendencias estadísticas que se encuentran en los cientos de miles de billeteras OpenSea que contienen múltiples NFT. Comencemos con un pensamiento que podría sorprenderte.

Lea también: 4 historias de criptomonedas y cadenas de bloques que reflejan nuestra cultura

La mayoría de las billeteras tienen solo un tipo de activo NFT

He creado el siguiente mapa de propiedad de la red basado en mi revisión reciente de los datos de OpenSea. El anillo exterior de nodos representa una sola propiedad: la gran mayoría de las billeteras en OpenSea (más del 90 %) solo poseen un tipo de activo. Los nodos grises representan carteras con dos o más activos. Estos “muchos propietarios interconectan el medio ambiente”.

¿Cómo crear una billetera NFT para usted?

¿Por qué nos enfocamos tanto en un proyecto? Tres grandes proyectos representan más de la mitad de esta propiedad única: CryptoKitties (20,000), Campeones de la MLB (40.000), y sello criptográfico (¡150.000!). Estos pueden haberse generado automáticamente para ciertas billeteras, o pueden ser compras únicas.

Otro factor podría ser la seguridad. Por ejemplo, algunos inversores pueden tener carteras separadas para diferentes proyectos. Entonces, si las llaves se extravían, solo pierde un tipo de activo.

A pesar de esta tendencia de propiedad única, todavía tenemos muchos datos de carteras con muchos tipos de activos. En la gran instantánea de datos de OpenSea, aproximadamente el 5% de las más de 400,000 billeteras tienen múltiples tipos de NFT. Son 20 000 carteras como punto de partida para un modelo de predicción divertido. ¿Podemos saber qué NFT tiene una persona en función de sus otros NFT? Por ejemplo, ¿podemos predecir que una billetera que contiene un paquete Cryptovoxels y una obra de arte SuperRare también contiene una obra de arte de Josie buscada?

Predecir la posesión de NFT mediante el aprendizaje automático

Miremos estas 20,000 billeteras que tienen una variedad de NFT. Comencemos por crear un modelo de predicción simple para cada proyecto (Cryptovoxels, Gods Unchained, etc.). Para ello, tomé una muestra aleatoria de wallets que tenían o no este proyecto. A continuación, analicé el modelo de propiedad de todos los demás proyectos para determinar cuál de esas carteras era propietaria del proyecto. Para decirlo de otra manera, elegí datos al azar que incluían al 50 % de propietarios de, por ejemplo, CryptoKitties y al 50 % que no. Luego usé información sobre otros NFT que tenían estas billeteras (Gods Unchained, Cryptovoxels, etc.) para ver si podía determinar quién era el propietario. CryptoKitties dentro del 50 por ciento.

Por diseño, aquí hay una probabilidad del 50/50. Quería probar hasta dónde podíamos llegar usando la regresión múltiple, una de las tecnologías de aprendizaje automático más básicas. Debido a que existe una gama tan amplia de propiedad, simplifiqué el modelo prediciendo solo la propiedad en lugar de la cantidad de propiedad.

Necesitaré una gran cantidad de datos para que esto funcione. Seleccioné proyectos con 180 o más propietarios para este primer escaparate (carteras). ¿Es posible anticipar si una cartera incluye un NFT específico en función de los patrones de propiedad? Aquí están los resultados.

La mayoría de los proyectos se pueden planificar con una probabilidad de éxito superior al 50%. Entonces podemos predecir súper raro propiedad con una precisión de más del 80% usando este método. Por supuesto, la propiedad de un proyecto no siempre puede proyectarse como “buena” o “mala”. Por ejemplo, podría indicar que un proyecto hace conexiones divertidas entre proyectos o que está «escrito». Y estos resultados podrían cambiar con una nueva muestra o con el tiempo. Sin embargo, la conclusión general es que el aprendizaje automático básico es suficiente para predecir la propiedad.

Pero, ¿cómo funciona el enfoque en la práctica? El siguiente gráfico ilustra los vínculos entre las iniciativas y cómo un proyecto predice la propiedad de otro. Esto describe el modelo de regresión «detrás de escena». Cuando un proyecto es propiedad, activa (o desactiva) los proyectos a los que está vinculado, y aumenta la expectativa del modelo de que una cartera será propietaria. El modelo de regresión es una especie de “circuito” que conecta los proyectos que han sido entrenados. Las flechas resaltan algunas conexiones importantes, como que es más probable que los propietarios originales conocidos sean propietarios de SuperRare.

Utilice el aprendizaje automático como herramienta de recomendación

Entonces, ¿qué te estás perdiendo exactamente? Puede obtener información revisando proyectos que no son de su propiedad y utilizando su modelo de propiedad para hacer recomendaciones. Por ejemplo, puse el modelo de aprendizaje automático enseñado en un sitio web al que llamé «Spar».

Spar es el nombre que se le da a un antiguo dispositivo de navegación (un tipo de cristal) utilizado para determinar la posición del sol en los días nublados en el mar. Este nombre fue elegido no solo por el atractivo temático, sino también porque el programa es solo un primer básico. versión de un recomendador NFT.

Spar solo necesita cierta información. No estoy pidiendo tu billetera para dársela. No superviso billeteras, direcciones IP ni nada más en nombre de la criptoprivacidad. Spar muestra una lista de proyectos NFT, que puede seleccionar haciendo clic en los que posee o prefiere. La tecnología genera sugerencias al hacer clic. Destacan los NFT recomendados.

Comparte en Redes

Deja un comentario

Tu dirección de correo electrónico no será publicada.