Cornell-forskare har utvecklat ett mer rättvist system för sökrekommendationer – från hotell till jobb till videor – så att några toppträffar inte får all exponering.

Det nya rankningssystemet ger fortfarande relevanta alternativ, men fördelar användarnas uppmärksamhet mer rättvist mellan sökresultaten. Det kan tillämpas på onlinemarknader som resewebbplatser, anställningsplattformar och nyhetssamlare.

Yuta Saito, doktorand inom området datavetenskap och Thorsten Joachims, professor i datavetenskap och informationsvetenskap vid Cornell Ann S. Bowers College of Computing and Information Science, beskrev sitt nya system i "Fair Ranking as Fair Division:Impact -Based Individual Fairness in Ranking," publicerad i Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining .

"I rekommendatorsystem och sökmotorer drar den som blir högt rankad stor nytta av det", sa Joachims. "Användarens uppmärksamhet är en begränsad resurs och vi måste fördela den rättvist mellan objekten."

Konventionella rekommendationssystem försöker rangordna föremål enbart efter vad användarna vill se, men många föremål får orättvist låga placeringar i beställningen. Föremål med liknande meriter kan hamna långt ifrån varandra i rankingen, och för vissa föremål är oddsen för att bli upptäckt på en plattform sämre än en slumpmässig chans.

För att rätta till detta problem utvecklade Saito ett förbättrat rankningssystem baserat på idéer lånade från ekonomin. Han tillämpade principerna om "rättvis uppdelning" – hur man fördelar en begränsad resurs, såsom mat, rättvist mellan medlemmar i en grupp.

Saito och Joachims visade genomförbarheten av rankningssystemet med hjälp av syntetisk och verklig data. De fann att det erbjuder hållbara sökresultat för användaren, samtidigt som de uppfyller tre rättvisa uppdelningskriterier:Varje objekts fördel av att rankas på plattformen är bättre än att bli upptäckt slumpmässigt; ingen posts inverkan, såsom intäkter, kan lätt förbättras; och inget objekt skulle få en fördel genom att ändra hur det rankas jämfört med andra objekt i en serie sökningar.

"Vi omdefinierade rättvisa i rankningen helt", sa Saito. "Det kan appliceras på alla typer av dubbelsidigt rankningssystem."

Om det används på YouTube, till exempel, skulle rekommendatorsystemet presentera en mer varierad ström av videor, och potentiellt fördela intäkterna jämnare till innehållsskapare. "Vi vill naturligtvis tillfredsställa användarna av plattformen, men vi bör också vara rättvisa mot videoskaparna för att upprätthålla deras långsiktiga mångfald," sa Saito.

I onlineanställningsplattformar skulle det mer rättvisa systemet diversifiera sökresultaten, istället för att visa samma toppkandidater för alla arbetsgivare.

Dessutom påpekar forskarna att den här typen av rekommendationssystem också kan hjälpa tittarna att upptäcka nya filmer att titta på online, göra det möjligt för forskare att hitta relevanta presentationer på konferenser och ge konsumenterna ett mer balanserat urval av nyhetsartiklar. + Utforska vidare

Algoritmen förbättrar rättvisa sökresultat