L’équipe développe un système de classement plus juste qui diversifie les résultats de recherche

Les chercheurs de Cornell ont développé un système plus équitable pour les recommandations de recherche, des hôtels aux emplois en passant par les vidéos, de sorte que quelques-uns des meilleurs résultats ne bénéficient pas de toute l’exposition.

Le nouveau système de classement offre toujours des options pertinentes, mais répartit l’attention des utilisateurs plus équitablement entre les résultats de recherche. Il peut être appliqué aux marchés en ligne tels que les sites de voyage, les plateformes de recrutement et les agrégateurs d’actualités.

Yuta Saito, doctorant dans le domaine de l’informatique et Thorsten Joachims, professeur d’informatique et de sciences de l’information au Cornell Ann S. Bowers College of Computing and Information Science, ont décrit leur nouveau système dans « Fair Ranking as Fair Division: Impact -Based Individual Fairness in Ranking », publié dans le Actes de la 28e conférence ACM SIGKDD sur la découverte des connaissances et l’exploration de données.

« Dans les systèmes de recommandation et les moteurs de recherche, quiconque obtient un classement élevé en tire beaucoup d’avantages », a déclaré Joachims. « L’attention de l’utilisateur est une ressource limitée et nous devons la répartir équitablement entre les éléments. »

Les systèmes de recommandation conventionnels tentent de classer les éléments uniquement en fonction de ce que les utilisateurs veulent voir, mais de nombreux éléments reçoivent des points injustement bas dans l’ordre. Des objets avec un mérite similaire peuvent se retrouver très éloignés dans le classement, et pour certains objets, les chances d’être découverts sur une plateforme sont pires que le hasard.

Pour corriger ce problème, Saito a développé un système de classement amélioré basé sur des idées empruntées à l’économie. Il a appliqué les principes de la « division équitable » – comment répartir équitablement une ressource limitée, telle que la nourriture, entre les membres d’un groupe.

Saito et Joachims ont démontré la faisabilité du système de classement en utilisant des données synthétiques et réelles. Ils ont trouvé qu’il offre des résultats de recherche viables pour l’utilisateur, tout en remplissant trois critères de répartition équitable : l’avantage de chaque élément d’être classé sur la plate-forme est meilleur que d’être découvert au hasard ; l’impact d’aucun élément, tel que les revenus, ne peut être facilement amélioré ; et aucun élément ne bénéficierait d’un avantage en modifiant son classement par rapport à d’autres éléments dans une série de recherches.

« Nous avons complètement redéfini l’équité dans le classement », a déclaré Saito. « Il peut être appliqué à tout type de système de classement bilatéral. »

S’il était utilisé sur YouTube, par exemple, le système de recommandation présenterait un flux de vidéos plus varié, distribuant potentiellement les revenus plus uniformément aux créateurs de contenu. « Nous voulons satisfaire les utilisateurs de la plateforme, bien sûr, mais nous devons également être justes envers les créateurs de vidéos, pour soutenir leur diversité à long terme », a déclaré Saito.

Dans les plateformes de recrutement en ligne, le système plus équitable diversifierait les résultats de recherche, au lieu de montrer les mêmes meilleurs candidats à tous les employeurs.

De plus, les chercheurs soulignent que ce type de système de recommandation pourrait également aider les téléspectateurs à découvrir de nouveaux films à regarder en ligne, permettre aux scientifiques de trouver des présentations pertinentes lors de conférences et fournir une sélection plus équilibrée d’actualités aux consommateurs.