論文の概要: Beyond Match Maximization and Fairness: Retention-Optimized Two-Sided Matching

• arxiv url: http://arxiv.org/abs/2602.15752v1
• Date: Tue, 17 Feb 2026 17:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.141782
• Title: Beyond Match Maximization and Fairness: Retention-Optimized Two-Sided Matching
• Title（参考訳）: マッチングの最大化と公正性を超えて:保持を最適化した双方向マッチング
• Authors: Ren Kishimoto, Rikiya Takehi, Koichi Tanaka, Masahiro Nomura, Riku Togashi, Yoji Tomita, Yuta Saito,
• Abstract要約: We introduced a dynamic learning-to-rank algorithm called Matching for Retention (MRet) 従来の二面マッチングアルゴリズムとは異なり、我々のアプローチは各ユーザのプロファイルとインタラクション履歴から保持曲線を学習することでユーザ保持をモデル化する。 MRetは、従来の手法では、保持よりもマッチやフェアネスを最適化するため、高いユーザ保持を実現する。
• 参考スコア（独自算出の注目度）: 22.731829414580847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: On two-sided matching platforms such as online dating and recruiting, recommendation algorithms often aim to maximize the total number of matches. However, this objective creates an imbalance, where some users receive far too many matches while many others receive very few and eventually abandon the platform. Retaining users is crucial for many platforms, such as those that depend heavily on subscriptions. Some may use fairness objectives to solve the problem of match maximization. However, fairness in itself is not the ultimate objective for many platforms, as users do not suddenly reward the platform simply because exposure is equalized. In practice, where user retention is often the ultimate goal, casually relying on fairness will leave the optimization of retention up to luck. In this work, instead of maximizing matches or axiomatically defining fairness, we formally define the new problem setting of maximizing user retention in two-sided matching platforms. To this end, we introduce a dynamic learning-to-rank (LTR) algorithm called Matching for Retention (MRet). Unlike conventional algorithms for two-sided matching, our approach models user retention by learning personalized retention curves from each user's profile and interaction history. Based on these curves, MRet dynamically adapts recommendations by jointly considering the retention gains of both the user receiving recommendations and those who are being recommended, so that limited matching opportunities can be allocated where they most improve overall retention. Naturally but importantly, empirical evaluations on synthetic and real-world datasets from a major online dating platform show that MRet achieves higher user retention, since conventional methods optimize matches or fairness rather than retention.
• Abstract（参考訳）: オンラインデートやリクルートのような双方向のマッチングプラットフォームでは、レコメンデーションアルゴリズムはマッチの総数の最大化を目的としていることが多い。 しかし、この目的は不均衡を生み出し、一部のユーザーはあまりにも多くのマッチを受け取っている一方、多くのユーザーはごく少数で最終的にプラットフォームを放棄している。 ユーザーを維持することは、サブスクリプションに大きく依存するものなど、多くのプラットフォームにとって不可欠である。 マッチ最大化の問題を解くために公平性目的を用いることもある。 しかし、露出が等化されているだけで、ユーザーが突然プラットフォームに報いるわけではないため、公平性自体が多くのプラットフォームにとって究極の目標ではない。 実際には、ユーザ保持が究極的な目標である場合、公平さをさりげなく頼りにすれば、保持の最適化は幸運に終わるでしょう。 本研究では,マッチングの最大化や公平性を公理的に定義する代わりに,両面マッチングプラットフォームにおけるユーザ保持の最大化という新たな問題設定を正式に定義する。 そこで我々は,Matching for Retention (MRet) と呼ばれる動的学習 torank (LTR) アルゴリズムを導入する。 従来の二面マッチングアルゴリズムとは異なり、我々のアプローチは各ユーザのプロファイルとインタラクション履歴からパーソナライズされた保持曲線を学習することで、ユーザ保持をモデル化する。 これらの曲線に基づいて、MRetは、ユーザのレコメンデーションと推奨されているレコメンデーションの両方の保持率を共同で考慮して、リコメンデーションを動的に適応する。 当然だが重要なこととして、主要なオンラインデートプラットフォームからの合成および実世界のデータセットに対する経験的評価は、MRetがユーザーの保持率を高めることを示している。

関連論文リスト

• Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
  本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。 我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:56:05Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning [50.060154488277036]
  連合学習では、クライアントの選択はモデルの性能と公平性の両方に大きな影響を及ぼす重要な問題である。 2つの指標間の固有の対立に対処し、互いに強化する2つの原則を提案する。 提案手法は,データ分布に基づいてクライアントを選択することにより,この多様性を適応的に向上させ,モデル性能と公平性の両方を改善する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• Matching of Users and Creators in Two-Sided Markets with Departures [0.6649753747542209]
  本稿では,ユーザコンテンツマッチングのダイナミクスに着目したコンテントレコメンデーションのモデルを提案する。 クリエーターの離脱を考慮しないユーザ中心の欲求アルゴリズムは、任意に粗悪な総エンゲージメントをもたらす可能性があることを示す。 本稿では,ユーザの好みを軽度に仮定して性能保証を行う2つの実用的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-30T20:13:28Z)
• Interpolating Item and User Fairness in Multi-Sided Recommendations [13.635310806431198]
  我々は、新しいフェアレコメンデーションフレームワーク、問題(FAIR)を紹介します。 本稿では,リアルタイム学習とフェアレコメンデーションを同時に行う低レベルのアルゴリズム形式を提案する。 我々は,プラットフォーム収益を維持する上でのフレームワークと手法の有効性を実証するとともに,アイテムとユーザ双方に望ましい公平性を確保した。
  論文  参考訳（メタデータ） (2023-06-12T15:00:58Z)
• Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
  協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。 ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。 本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-02-13T13:11:46Z)
• Linear Speedup in Personalized Collaborative Learning [69.45124829480106]
  フェデレート学習におけるパーソナライゼーションは、モデルのバイアスをトレーディングすることで、モデルの精度を向上させることができる。 ユーザの目的の最適化として、パーソナライズされた協調学習問題を定式化する。 分散の低減のためにバイアスを最適にトレードオフできる条件について検討する。
  論文  参考訳（メタデータ） (2021-11-10T22:12:52Z)
• Maximizing Cumulative User Engagement in Sequential Recommendation: An Online Optimization Perspective [26.18096797120916]
  ユーザエンゲージメントの向上とユーザブラウジングの促進という、潜在的に矛盾する2つの目標をトレードオフするためには、しばしば必要となる。 より長いユーザブラウジング期間と高いユーザエンゲージメントを明示的にトレードオフする,フレキシブルで実用的なフレームワークを提案する。 このアプローチは大規模なEコマースプラットフォームにデプロイされ、累積クリックの7%以上の改善が達成されている。
  論文  参考訳（メタデータ） (2020-06-02T09:02:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。