[논문 리뷰] Beyond Match Maximization and Fairness: Retention-Optimized Two-Sided Matching

Ren Kishimoto, Rikiya Takehi외 5명|arXiv (Cornell University)|2026. 02. 17.

Evolutionary Psychology and Human Behavior인용 수 0

한 줄 요약

본 논문은 유지 최적화된 양면 매칭을 정의하고, 플랫폼 양측의 사용자 유지율을 최대화하는 다이나믹 학습-대-랭크 알고리즘인 MRet를 도입하며, 합성 데이터와 실제 데이트 데이터에서 검증되었다.

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.

연구 동기 및 목표

• 양면 플랫폼에서 매치를 최대화하는 것이 불균형과 이탈을 초래한다는 문제를 다룬다.
• 공정성이나 매칭 수보다 유지를 주요 목표로 제안한다.
• 사용자 프로필과 이력으로 개인화된 유지 곡선을 학습한다.
• 희소한 매칭 기회를 전체 유지를 극대화하도록 배치하는 MRet를 개발한다.
• 합성 데이터와 실제 데이트 데이터에서 우수한 유지 성능을 입증한다.

제안 방법

• 각 사용자 측에 대해 보존 함수 f(x,m)을 형식적으로 정의하고 누적 매치 수 m의 함수로 유지 확률을 모델링한다.
• 수신자와 추천된 사용자 유지 이득의 합으로 구성된 유지 최적 랭킹 목적(Eq. 9)을 도출한다.
• concavity 기반 하한 및 Score(y) 함수(Eq. 13)를 사용해 NP-hard 목적을 근사하는 MRet 랭커를 도입하여 O(N log N) 랭킹을 가능하게 한다.
• 해를 분해하고 최적화를 용이하게 하기 위해 Jensen-type 경계(Lemmas 1 and 2)를 활용한다.
• 맥락으로부터 f를 추정하기 위해 회귀 모델(XGBoost)을 학습시키고 관찰된 상호 작용을 사용하여 유지 역학을 학습한다.
• 합성 데이터와 실제 일본의 온라인 데이트 데이터셋으로 접근법을 검증하며, 보충 자료에 코드가 제공된다.

실험 결과

연구 질문

• RQ1 유지(retention)가 매칭 수나 공정성보다 직접적으로 양면 매칭에서 최적화될 수 있는가?
• RQ2 동적 LTR 접근(MRet)이 Max Match나 FairCo와 같은 기준선에 비해 장기적인 사용자 유지를 개선하는가?
• RQ3 NP-hard 유지 최적화를 성능 손실 없이 효율적으로 근사할 수 있는가?
• RQ4 다양한 조건에서 합성 데이터와 실제 데이트 플랫폼 데이터에서 MRet의 성능은 어떤가?
• RQ5 유지 함수의 concavity 가정에서 벗어난 편차에 대해 MRet가 견고한가?

주요 결과

• MRet는 Max Match, Uniform, FairCo 등의 기준선보다 더 높은 사용자 유지율을 달성하면서도 Max Match가 달성한 매치의 약 70% 수준의 매치를 사용한다.
• 합성 실험에서 MRet은 다양한 인기 기울기(kappa)에서 유지 측면에서 기준선보다 우수하다.
• 실제 데이터에서 MRet은 공정성 방법이 실패하는 극도로 희박한 매칭 시나리오에서 가장 높은 유지율을 보인다.
• Exposure 공정성과 실제 유지 필요 간의 불일치로 인해 FairCo는 유지 최적화에 비해 저조한 성능을 보일 수 있다.
• 실제 데이터에서 concavity 가정이 위반되어도 MRet는 여전히 효과적이며 견고함을 시사한다.