[論文レビュー] Beyond Match Maximization and Fairness: Retention-Optimized Two-Sided Matching

Ren Kishimoto, Rikiya Takehi+5 more|arXiv (Cornell University)|Feb 17, 2026

Evolutionary Psychology and Human Behavior被引用数 0

ひとこと要約

論文は保持最適化の両面マッチングを定義し、プラットフォームの両側でユーザー保持を最大化する動的学習ランクアルゴリズムMRetを導入し、合成データと実在のデーティングデータで検証します。

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.

研究の動機と目的

• 両面プラットフォームでマッチを最大化することが不均衡と離脱を生む問題を対処する。
• 公平性またはマッチ数より保持を主要 Objectiveとして提案する。
• ユーザープロファイルと履歴から個別の保持曲線を学習する。
• 希少なマッチング機会を全体保持を最大化するよう割り当てるMRetを開発する。
• 合成データと実世界のデーティングデータで保持性能の優位性を示す。

提案手法

• 各ユーザーサイドに対して保持関数 f(x,m) を形式的に定義し、累積マッチ数 m の保持確率をモデル化する。
• 受信者と推奨ユーザーの保持増分を合計する保持最大化ランク付け目的関数（式(9)）を導出する。
• NP困難な目的関数を concavity-based の下界と Score(y) 関数（式(13)）を用いて近似するMRetランカを導入し、O(N log N) ランキングを実現する。
• Jensen型の境界（補題1・補題2）を用いて目的を分解・有界化し、実現可能な最適化を図る。
• 文脈から f を推定する回帰モデルを訓練（XGBoost）し、観測された相互作用を用いて保持ダイナミクスを学習する。
• 合成データと日本語の実デーティングデータセットを用いてアプローチを検証し、補足資料にコードを提供する。

実験結果

リサーチクエスチョン

• RQ1 保持、マッチ数や公平性ではなく、二面マッチングで直接保持を最適化できるか。
• RQ2 動的なLTRアプローチ（MRet）がMax MatchやFairCoなどのベースラインと比べて長期的なユーザー保持を改善するか。
• RQ3 NP困難な保持最適化を性能を損なわずに効率的に近似できるか。
• RQ4 合成データと実世界のデーティングプラットフォームデータ上で、条件を変えた場合にMRetがどのように機能するか。
• RQ5 保持関数の concavity 仮定からの逸脱に対してMRetは頑健か。

主な発見

• MRetはMax Match、Uniform、FairCoなどのベースラインより高いユーザー保持を達成しつつ、Max Match が達成するマッチ数の約70%程度を使用する。
• 合成実験で、さまざまな人気の偏り（κ）に対して保持でMRetがベースラインを上回る。
• 実データでは、極めて希薄なマッチングシナリオで他の公平性手法が失敗する中、MRetが最も高い保持を示す。
• FairCoは露出の公平性と実際の保持ニーズとの間の乖離により保持最適化を下回る場合がある。
• 実データでconcavity仮定が成り立たない場合でもMRetは有効性を維持し、頑健性を示す。