Teamet udvikler et mere retfærdigt rangeringssystem, der diversificerer søgeresultaterne

Cornell-forskere har udviklet et mere retfærdigt system til søgeanbefalinger – fra hoteller til job til videoer – så nogle få tophits ikke får al eksponeringen.

Det nye rangeringssystem giver stadig relevante muligheder, men fordeler brugerens opmærksomhed mere ligeligt på tværs af søgeresultaterne. Det kan anvendes på onlinemarkeder såsom rejsesider, ansættelsesplatforme og nyhedsaggregatorer.

Yuta Saito, en doktorand inden for datalogi og Thorsten Joachims, professor i datalogi og informationsvidenskab ved Cornell Ann S. Bowers College of Computing and Information Science, beskrev deres nye system i "Fair Ranking as Fair Division:Impact -Based Individual Fairness in Ranking," offentliggjort i Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining .

"I anbefalingssystemer og søgemaskiner får den, der bliver rangeret højt, meget gavn af det," sagde Joachims. "Brugerens opmærksomhed er en begrænset ressource, og vi er nødt til at fordele den retfærdigt blandt emnerne."

Konventionelle anbefalingssystemer forsøger at rangere varer udelukkende efter, hvad brugerne ønsker at se, men mange varer får uretfærdigt lave placeringer i rækkefølgen. Genstande med lignende værdi kan ende langt fra hinanden på ranglisten, og for nogle varer er oddsene for at blive opdaget på en platform værre end tilfældige tilfældigheder.

For at rette op på dette problem udviklede Saito et forbedret rangeringssystem baseret på ideer lånt fra økonomi. Han anvendte principperne om "fair division" – hvordan man fordeler en begrænset ressource, såsom mad, retfærdigt blandt medlemmer af en gruppe.

Saito og Joachims demonstrerede gennemførligheden af ​​rangeringssystemet ved hjælp af syntetiske og virkelige data. De fandt ud af, at det giver levedygtige søgeresultater for brugeren, samtidig med at det opfylder tre rimelige opdelingskriterier:Hvert elements fordel ved at blive rangeret på platformen er bedre end at blive opdaget tilfældigt; ingen elementers indvirkning, såsom indtægter, kan nemt forbedres; og intet element ville opnå en fordel ved at ændre, hvordan det rangeres sammenlignet med andre elementer i en række søgninger.

"Vi omdefinerede retfærdighed i rangeringen fuldstændigt," sagde Saito. "Det kan anvendes til enhver form for tosidet rangordningssystem."

Hvis ansat på YouTube, for eksempel, ville anbefalingssystemet præsentere en mere varieret strøm af videoer, hvilket potentielt ville fordele indtjeningen mere jævnt til indholdsskabere. "Vi ønsker selvfølgelig at tilfredsstille brugerne af platformen, men vi bør også være fair over for videoskaberne for at opretholde deres langsigtede mangfoldighed," sagde Saito.

I online ansættelsesplatforme ville det mere retfærdige system diversificere søgeresultaterne i stedet for at vise de samme topkandidater til alle arbejdsgivere.

Derudover påpeger forskerne, at denne type anbefalingssystem også kan hjælpe seerne med at opdage nye film at se online, gøre det muligt for forskere at finde relevante præsentationer på konferencer og give forbrugerne et mere afbalanceret udvalg af nyhedshistorier. + Udforsk yderligere

Algoritme forbedrer retfærdigheden af ​​søgeresultater