I ricercatori della Cornell hanno sviluppato un sistema più equo per i consigli di ricerca, dagli hotel ai lavori ai video, quindi alcuni dei migliori risultati non ottengono tutta l'esposizione.

Il nuovo sistema di classificazione fornisce ancora opzioni pertinenti, ma divide l'attenzione degli utenti in modo più equo tra i risultati di ricerca. Può essere applicato ai mercati online come siti di viaggi, piattaforme di assunzione e aggregatori di notizie.

Yuta Saito, una studentessa di dottorato nel campo dell'informatica e Thorsten Joachims, professore di informatica e scienze dell'informazione al Cornell Ann S. Bowers College of Computing and Information Science, hanno descritto il loro nuovo sistema in "Fair Ranking as Fair Division:Impact -Based Individual Fairness in Ranking", pubblicato negli Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining .

"Nei sistemi di raccomandazione e nei motori di ricerca, chi ottiene un punteggio elevato ne trae molti vantaggi", ha affermato Joachims. "L'attenzione dell'utente è una risorsa limitata e dobbiamo distribuirla equamente tra gli oggetti."

I sistemi di raccomandazione convenzionali tentano di classificare gli articoli esclusivamente in base a ciò che gli utenti vogliono vedere, ma molti articoli ricevono punti ingiustamente bassi nell'ordine. Oggetti con merito simile possono finire molto distanti nelle classifiche e, per alcuni oggetti, le probabilità di essere scoperti su una piattaforma sono peggiori della casualità.

Per correggere questo problema, Saito ha sviluppato un sistema di classificazione migliorato basato su idee prese in prestito dall'economia. Ha applicato i principi di "equa divisione":come allocare una risorsa limitata, come il cibo, in modo equo tra i membri di un gruppo.

Saito e Joachims hanno dimostrato la fattibilità del sistema di classificazione utilizzando dati sintetici e del mondo reale. Hanno scoperto che offre risultati di ricerca praticabili per l'utente, pur soddisfacendo tre criteri di divisione equa:il vantaggio di ogni articolo dall'essere classificato sulla piattaforma è meglio che essere scoperto a caso; l'impatto di nessun elemento, come le entrate, può essere facilmente migliorato; e nessun articolo otterrebbe un vantaggio cambiando il modo in cui viene classificato rispetto ad altri articoli in una serie di ricerche.

"Abbiamo ridefinito completamente l'equità nella classifica", ha detto Saito. "Può essere applicato a qualsiasi tipo di sistema di classifica bilaterale".

Se utilizzato su YouTube, ad esempio, il sistema di raccomandazione presenterebbe un flusso di video più vario, distribuendo potenzialmente i guadagni in modo più uniforme ai creatori di contenuti. "Vogliamo soddisfare gli utenti della piattaforma, ovviamente, ma dovremmo anche essere onesti con i creatori di video, per sostenere la loro diversità a lungo termine", ha affermato Saito.

Nelle piattaforme di assunzione online, il sistema più equo diversificherebbe i risultati della ricerca, invece di mostrare gli stessi migliori candidati a tutti i datori di lavoro.

Inoltre, i ricercatori sottolineano che questo tipo di sistema di raccomandazione potrebbe anche aiutare gli spettatori a scoprire nuovi film da guardare online, consentire agli scienziati di trovare presentazioni pertinenti alle conferenze e fornire una selezione più equilibrata di notizie ai consumatori. + Esplora ulteriormente

L'algoritmo migliora l'equità dei risultati di ricerca