Los investigadores de Cornell han desarrollado un sistema más justo para las recomendaciones de búsqueda, desde hoteles hasta trabajos y videos, por lo que algunos resultados principales no obtienen toda la exposición.

El nuevo sistema de clasificación aún brinda opciones relevantes, pero divide la atención del usuario de manera más equitativa entre los resultados de búsqueda. Se puede aplicar a mercados en línea como sitios de viajes, plataformas de contratación y agregadores de noticias.

Yuta Saito, estudiante de doctorado en el campo de las ciencias de la computación y Thorsten Joachims, profesor de ciencias de la computación y ciencias de la información en la Facultad de Informática y Ciencias de la Información Ann S. Bowers de Cornell, describieron su nuevo sistema en "Clasificación justa como división justa:Impacto -Based Individual Fairness in Ranking", publicado en las Actas de la 28.ª Conferencia ACM SIGKDD sobre descubrimiento de conocimiento y minería de datos .

"En los sistemas de recomendación y los motores de búsqueda, quien obtiene una clasificación alta obtiene un gran beneficio de eso", dijo Joachims. "La atención del usuario es un recurso limitado y debemos distribuirlo equitativamente entre los elementos".

Los sistemas de recomendación convencionales intentan clasificar los artículos según lo que los usuarios quieren ver, pero muchos artículos reciben posiciones injustamente bajas en el orden. Los artículos con méritos similares pueden terminar muy separados en las clasificaciones y, para algunos artículos, las probabilidades de ser descubiertos en una plataforma son peores que el azar.

Para corregir este problema, Saito desarrolló un sistema de clasificación mejorado basado en ideas tomadas de la economía. Aplicó principios de "división justa":cómo distribuir un recurso limitado, como los alimentos, de manera justa entre los miembros de un grupo.

Saito y Joachims demostraron la viabilidad del sistema de clasificación utilizando datos sintéticos y del mundo real. Descubrieron que ofrece resultados de búsqueda viables para el usuario, al mismo tiempo que cumple con tres criterios de división justos:el beneficio de cada elemento de estar clasificado en la plataforma es mejor que ser descubierto al azar; el impacto de ningún elemento, como los ingresos, puede mejorarse fácilmente; y ningún elemento obtendría una ventaja al cambiar su clasificación en comparación con otros elementos en una serie de búsquedas.

"Redefinimos la equidad en la clasificación por completo", dijo Saito. "Se puede aplicar a cualquier tipo de sistema de clasificación de dos caras".

Si se emplea en YouTube, por ejemplo, el sistema de recomendación presentaría un flujo de videos más variado, lo que podría distribuir las ganancias de manera más uniforme entre los creadores de contenido. "Queremos satisfacer a los usuarios de la plataforma, por supuesto, pero también debemos ser justos con los creadores de videos, para mantener su diversidad a largo plazo", dijo Saito.

En las plataformas de contratación en línea, el sistema más justo diversificaría los resultados de búsqueda, en lugar de mostrar los mismos candidatos principales a todos los empleadores.

Además, los investigadores señalan que este tipo de sistema de recomendación también podría ayudar a los espectadores a descubrir nuevas películas para ver en línea, permitir a los científicos encontrar presentaciones relevantes en conferencias y proporcionar una selección más equilibrada de noticias a los consumidores. + Explora más

El algoritmo mejora la imparcialidad de los resultados de búsqueda