論文の概要: Not All Matches Are Equally Valuable: An Online Experiment of Retention-Focused Recommendation in a Job-Matching Platform
- arxiv url: http://arxiv.org/abs/2609.01652v1
- Date: Mon, 31 Aug 2026 06:11:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:17.605002
- Title: Not All Matches Are Equally Valuable: An Online Experiment of Retention-Focused Recommendation in a Job-Matching Platform
- Title（参考訳）: すべてのマッチが平等に評価できる訳ではない:ジョブマッチングプラットフォームにおけるリテンション指向のレコメンデーションのオンライン実験
- Abstract要約: 実際のジョブマッチングプラットフォームを調査した結果、最近のマッチングがほとんどないユーザの方が、プラットフォームを離れる可能性がずっと高いことが分かりました。
本稿では,ユーザを混乱させないために,ベースラインのマッチングに焦点を絞ったランキングを調整する,シンプルな後処理手法を提案する。
- 参考スコア（独自算出の注目度）: 15.44454153630352
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems in two-sided matching platforms are commonly optimized for immediate engagement signals such as click-through rate, reply rate, or the total number of successful matches. However, in real-world marketplaces, maximizing matches alone may be misaligned with business goals such as user churn rate and platform revenue, especially when users with fewer matches are at substantially higher risk of churn. In this paper, we study a real job matching platform and show that users with very few recent matches are indeed much more likely to leave the platform, while additional matches for already successful users provide limited marginal value for retention. Motivated by this empirical finding, we formulate a retention-aware recommendation problem and implement a simple post-processing method that adjusts the baseline match-focused ranking to prevent user churn. Specifically, the implemented method gives a score boost to churn-risk users with the goal of increasing their likelihood of obtaining matches and improving retention. We evaluate this practical approach in an online experiment on a real job-matching platform. The treatment group showed directionally lower user churn than the control group, although the estimated effect was not statistically significant at conventional levels, while company-side churn showed no evidence of deterioration. To our knowledge, this is among the first online experimental studies to investigate retention-focused recommendation in a real reciprocal job-matching platform.
- Abstract（参考訳）: 両面マッチングプラットフォームにおけるレコメンダシステムは、クリックスルー率、応答率、成功数などの即時エンゲージメント信号に対して一般的に最適化されている。
しかし、現実世界のマーケットプレースでは、マッチの最大化はユーザーチャーン率やプラットフォーム収益といったビジネス上の目標に反する可能性がある。
本稿では、実際のジョブマッチングプラットフォームについて検討し、最近はほとんど一致していないユーザの方がプラットフォームを離れる可能性がかなり高いことを示し、すでに成功しているユーザに対する追加のマッチは、保持のために限られた限界値を提供する。
この経験的発見に動機付けられて、保持意識の推薦問題を定式化し、ベースラインのマッチに着目したランキングを調整するシンプルな後処理手法を実装し、ユーザの混乱を防ぐ。
具体的には, 提案手法により, チャンクリスクのユーザに対して, 一致の可能性を高め, 保持率を向上させることを目的としてスコアアップを行う。
実際のジョブマッチングプラットフォーム上でのオンライン実験において,この実践的アプローチを評価する。
治療群はコントロール群よりも順に低い傾向を示したが, 従来の評価値では統計的に有意ではなかった。
我々の知る限り、これは実際の相互マッチングプラットフォームにおける保持に焦点を当てたレコメンデーションを調査する最初のオンライン実験研究の1つである。
関連論文リスト
- CAFE: Self-Improving Search Agents Need Co-Evolving Feedback [64.5257526832476]
アウトカム管理された検索エージェントは、いつ、どのように証拠を回収するかを学習するが、端末の報酬は中間エラーのローカライズも、それらのエラーが複雑になる前に継続する軌道のリダイレクトもしない。
学習した軌道内での介入として修正的フィードバックを扱うことは、エージェントがいつフィードバックを要求し使用するかを決めなければならないのに対し、批評家は、エージェントが改善するにつれて障害パターンが変化する結果構築されたロールアウトから有用な修正を推測しなければならない。
論文 参考訳（メタデータ） (2026-08-25T16:39:00Z) - MODE: Mutual Optimality in Direct Effects of Reciprocal Recommendations in Matching Markets [0.7310043452300737]
個人ユーザの推薦リストの「直接効果の最適性」の概念を定式化する。
そこで本研究では,直接効果の相互に最適なレコメンデーションを計算できる新しい手法であるMODEを提案する。
論文 参考訳（メタデータ） (2026-08-03T05:54:55Z) - Fairness Dynamics in Digital Economy Platforms with Biased Ratings [50.29721091981893]
我々は、デジタルプラットフォームが格付けに基づく差別を永続的に、あるいは対処する方法について研究する。
この結果から,ユーザエクスペリエンスと公平性の根本的なトレードオフが示される。
また,検索結果の人口動態を調整して介入することが,不公平を抑えるための極めて効果的な方法であることを示す。
論文 参考訳（メタデータ） (2026-02-18T18:41:16Z) - Beyond Match Maximization and Fairness: Retention-Optimized Two-Sided Matching [22.731829414580847]
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。
論文 参考訳（メタデータ） (2026-02-17T17:30:53Z) - Retentive Relevance: Capturing Long-Term User Value in Recommendation Systems [29.596401271139797]
本稿では,新しいコンテンツレベル調査に基づくフィードバック尺度であるRetentive Relevanceを紹介する。
Retentive Relevanceは、ユーザーが同様のコンテンツのためにプラットフォームに戻る意図を直接評価する。
これらの結果から,Retentive Relevanceは,エンゲージメント信号および他の調査指標よりも,翌日のリテンションの予測に優れていたことが示唆された。
論文 参考訳（メタデータ） (2025-10-08T23:38:57Z) - RecGPT Technical Report [57.84251629878726]
本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。
RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。
オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2025-07-30T17:55:06Z) - Finding Interest Needle in Popularity Haystack: Improving Retrieval by Modeling Item Exposure [8.3095709445007]
本稿では、アイテムの露出確率を明示的にモデル化し、推論時に検索ステージランキングを調整する、露出認識型検索スコアリング手法を提案する。
実世界のビデオレコメンデーションシステムにおけるオンラインA/B実験によるアプローチの有効性を検証し、一意に検索されたアイテムの25%増加と、過度な人気コンテンツの優位性の40%低下を実証した。
本研究は,検索段階で人気バイアスを緩和するためのスケーラブルでデプロイ可能なソリューションを構築し,バイアス認識のパーソナライゼーションのための新しいパラダイムを提供する。
論文 参考訳（メタデータ） (2025-03-31T00:04:01Z) - Incentivized Communication for Federated Bandits [67.4682056391551]
我々は,サーバがインセンティブを提供することでクライアントにデータを共有する動機付けを行う,フェデレートされた盗賊に対するインセンティブ付きコミュニケーション問題を導入する。
本稿では,実証可能な通信とインセンティブコスト保証により,ほぼ最適の後悔を実現する,最初のインセンティブ付き通信プロトコルであるInc-FedUCBを提案する。
論文 参考訳（メタデータ） (2023-09-21T00:59:20Z) - Personalizing Intervened Network for Long-tailed Sequential User
Behavior Modeling [66.02953670238647]
タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。
テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。
本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-08-19T02:50:19Z) - Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。
本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。
パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
論文 参考訳（メタデータ） (2021-11-25T06:04:59Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-11T03:38:16Z)
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。