Migliorare i sistemi di raccomandazione nei mercati bilaterali

I sistemi di raccomandazione sono ovunque, aiutandoci a trovare prodotti, servizi o anche appuntamenti. Questi sistemi puntano a mostrare agli utenti articoli basati su quello che pensano che l’Utente possa gradire. Una parte fondamentale di come funzionano questi sistemi si chiama learning-to-rank (LTR). È un modo per ordinare gli elementi in modo che quelli più pertinenti all'utente appaiano in cima alla lista.

Tuttavia, ci sono sfide quando si utilizzano Feedback dagli utenti. Spesso, gli utenti non esprimono sempre chiaramente i loro gusti o le loro antipatie. Per esempio, quando un utente clicca su un link, potrebbe non significare che gli è piaciuto davvero; potrebbe essere solo a causa della posizione dell'elemento nella lista o delle loro prime impressioni. Questo è conosciuto come bias, e può portare a raccomandazioni scadenti.

L'obiettivo di questo lavoro è su un tipo speciale di sistema di raccomandazione chiamato mercati a doppio lato. Questi mercati coinvolgono due gruppi di utenti che devono abbinare le loro preferenze. Esempi includono piattaforme di lavoro, dove i cercatori di lavoro e i datori di lavoro devono trovare una buona corrispondenza, o app di incontri, dove due persone devono concordare su una connessione.

#Il Problema

La maggior parte dei metodi attuali per LTR si concentra su mercati a un solo lato, dove c'è solo un tipo di utente. Questo significa che le tecniche non tengono conto del fatto che nei mercati a doppio lato, entrambi i gruppi influenzano le decisioni degli altri. Ad esempio, in un sito di abbinamento di lavoro, la scelta di un cercatore di lavoro può dipendere da quali annunci di lavoro vengono mostrati per primi, e i reclutatori possono anche favorire i candidati mostrati in cima alla loro lista.

Quando costruiamo un sistema di raccomandazione per questi mercati a doppio lato, dobbiamo considerare entrambi i lati dell'interazione. Questo include il riconoscimento che il feedback di ciascun gruppo può portare i propri bias. Quindi, è necessario un nuovo approccio per affrontare questi bias in modo efficace.

#Introduzione al Learning-to-Rank a Due Lati

Per affrontare questo problema, proponiamo un nuovo metodo che adatta il modo in cui classifichiamo gli articoli nei mercati a doppio lato. La nostra soluzione si concentra su una tecnica chiamata inverse probability weighting (IPW). Modificando questa tecnica, creiamo quello che chiamiamo il stimatore IPW a due lati, che aiuta a correggere eventuali bias nel processo di classificazione.

L'estimatore IPW a due lati tiene conto dell'influenza di entrambi i gruppi di utenti in un mercato a doppio lato. Questo significa che quando un cercatore di lavoro guarda gli annunci di lavoro, consideriamo anche come i reclutatori vedono i candidati. Facendo questo, possiamo fornire un'immagine più chiara di cosa preferiscano realmente gli utenti senza il rumore causato dai bias.

#Come Funziona l'IPW a Due Lati

Nel nostro approccio, iniziamo con una chiara formulazione di come fluisce il feedback tra i due gruppi di utenti. Per un utente da un lato del mercato, possiamo osservare quali elementi clicca e quanto spesso. Questi clic sono il nostro feedback, ma dobbiamo stare attenti a interpretarli.

Riconosciamo che un'alta classificazione non equivale sempre a una vera preferenza. Un utente potrebbe semplicemente cliccare su quello che vede per primo, portando a un bias di posizione. Utilizzando l'IPW a due lati, puntiamo a regolare questo pesando le interazioni in modo più accurato in base a come gli articoli sono classificati e come si comportano gli utenti.

Il metodo che abbiamo sviluppato porta a un estimatore non bias per la classificazione degli articoli. Correggendo i bias nel feedback, ci assicuriamo che le nostre classifiche riflettano le vere preferenze degli utenti.

#Impostazione Sperimentale

Per testare il nostro nuovo metodo, abbiamo condotto esperimenti utilizzando dati reali da piattaforme a doppio lato. Abbiamo raccolto dati da utenti che interagivano su una piattaforma di raccomandazione di rete, che includeva gruppi di utenti sia proattivi che reattivi.

Abbiamo diviso gli utenti in due gruppi: quelli che cercano attivamente qualcosa (proattivi) e quelli che sono gli oggetti di quella ricerca (reattivi). Simulando le interazioni tra questi due gruppi, potevamo osservare come il feedback venisse condiviso e come i bias potessero influenzare la classificazione degli articoli.

#Risultati

Gli esperimenti hanno fornito preziose intuizioni. Abbiamo confrontato il nostro metodo IPW a due lati con tecniche esistenti in termini di accuratezza e robustezza. I risultati hanno mostrato che il nostro metodo ha costantemente superato gli altri, soprattutto in situazioni in cui gli articoli erano meno comuni nei dati di addestramento.

Queste scoperte confermano che il nostro approccio di considerare i bias di entrambi i gruppi offre un miglioramento significativo rispetto ai metodi tradizionali a un solo lato. Riflettendo accuratamente ciò che gli utenti preferiscono, miglioriamo l'efficacia complessiva dei sistemi di raccomandazione.

#Discussione

Il vantaggio di utilizzare l'estimatore IPW a due lati è chiaro. Nei mercati a doppio lato, entrambi i lati contribuiscono al processo decisionale. Ignorare un lato porta a risultati distorti che non riflettono veramente le preferenze degli utenti.

Questo approccio non è solo applicabile a piattaforme di lavoro, ma può anche essere utile per altri mercati a doppio lato come app di incontri o marketplace online. Applicando il nostro metodo, le aziende possono migliorare i loro sistemi di raccomandazione, portando a migliori abbinamenti e utenti più soddisfatti.

Man mano che i sistemi di raccomandazione continuano a evolversi e influenzare le nostre vite quotidiane, affrontare i bias in modo efficace sarà fondamentale. La nostra ricerca contribuisce a questo sforzo fornendo un framework che considera le complesse interazioni tra diversi gruppi di utenti.

#Conclusione

In sintesi, l'efficacia dei sistemi di raccomandazione nei mercati a doppio lato dipende dalla comprensione accurata delle preferenze degli utenti. Il nostro stimatore IPW a due lati proposto offre un modo per superare le sfide poste dai bias nel feedback.

I risultati dei nostri esperimenti indicano che questo nuovo metodo può migliorare significativamente la qualità delle raccomandazioni, rendendolo uno strumento prezioso per chi lavora in campi che dipendono dall'abbinamento delle preferenze tra due gruppi. Continuando a perfezionare queste tecniche, speriamo di vedere avanzamenti ancora maggiori nel modo in cui connettiamo le persone con gli articoli o i servizi che desiderano veramente.