[논문 리뷰] Online Algorithms for Matching Platforms with Multi-Channel Traffic

Vahideh Manshadi, Scott Rodilitz외 2명|arXiv (Cornell University)|2022. 03. 28.

Optimization and Search Problems인용 수 4

한 줄 요약

이 논문은 외부 트래픽이 추천 시스템을 우회하는 다중 채널 트래픽을 처리하는 온라인 매칭 플랫폼을 대상으로 Adaptive Capacity (AC) 알고리즘을 제안한다. 내부 및 외부 매칭을 구분하고 능동적으로 용량 할당을 조정함으로써, AC는 외부 트래픽 비율이 증가할수록 경쟁 비율이 향상되며, VolunteerMatch와 같은 실제 환경에서 이론적 한계에 가까운 증명 가능한 최적 성능 한계를 달성한다.

ABSTRACT

Two-sided platforms rely on their recommendation algorithms to help visitors successfully find a match. However, on platforms such as VolunteerMatch (VM) -- which has facilitated millions of connections between volunteers and nonprofits -- a sizable fraction of website traffic arrives directly to a nonprofit's volunteering page via an external link, thus bypassing the platform's recommendation algorithm. We study how such platforms should account for this external traffic in the design of their recommendation algorithms, given the goal of maximizing successful matches. We model the platform's problem as a special case of online matching, where (using VM terminology) volunteers arrive sequentially and probabilistically match with one opportunity, each of which has finite need for volunteers. In our framework, external traffic is interested only in their targeted opportunity; by contrast, internal traffic may be interested in many opportunities, and the platform's online algorithm selects which opportunity to recommend. In evaluating different algorithms, we parameterize the competitive ratio based on the amount of external traffic. After demonstrating the shortcomings of a commonly-used algorithm that is optimal in the absence of external traffic, we propose a new algorithm -- Adaptive Capacity (AC) -- which accounts for matches differently based on whether they originate from internal or external traffic. We provide a lower bound on AC's competitive ratio that is increasing in the amount of external traffic and that is close to (and, in some regimes, exactly matches) the parameterized upper bound we establish on the competitive ratio of any online algorithm. We complement our theoretical results with a numerical study motivated by VM data that demonstrates the strong performance of AC and furthers our understanding of the difference between AC and other commonly-used algorithms.

연구 동기 및 목표

• 외부 링크를 통해 유입되는 트래픽의 일부가 추천 알고리즘을 우회함에 따라 이중 플랫폼에서 성공적인 매칭을 최대화하는 데 도전하는 문제를 해결하기 위해.
• 플랫폼의 의사결정을 확률적 도착과 유한한 기회 용량을 가진 온라인 매칭 문제로 모델링하기 위해.
• 외부 트래픽 비율에 따라 성능을 매개변수화함으로써 표준 경쟁 분석을 보완하는 경쟁 비율 분석을 정교화하기 위해.
• 내부 및 외부 트래픽 간에 용량을 최적 할당하여 총 유용한 매칭 수를 극대화하는 알고리즘을 설계하고 분석하기 위해.
• VolunteerMatch의 실제 데이터를 사용하여 알고리즘의 성능을 검증하고 현재 산업 관행과 비교하기 위해.

제안 방법

• 자원 봉사자들이 순차적으로 도착하고, 유한한 용량을 가진 기회와 매칭되는 온라인 매칭 모델로 플랫폼 문제를 수리적으로 정의한다.
• 외부 트래픽 비율에 따라 달라지는 매개변수화된 경쟁 비율을 도입하여, 이 설정에 적합한 표준 경쟁 분석을 개선한다.
• Adaptive Capacity (AC) 알고리즘을 제안하며, 트래픽 소스에 따라 매칭 결정을 동적으로 조정한다 — 내부 트래픽은 부족한 기회를 우선시하고, 외부 매칭은 유지한다.
• 원-대안 프레임워크를 사용하여 AC의 경쟁 비율에 하한을 도출하며, 이는 외부 트래픽량이 증가할수록 증가함을 보여준다.
• 모든 온라인 알고리즘에 대한 이론적 상한선을 수립하여, AC의 성능가 거의 최적임을 입증한다.
• VolunteerMatch 데이터 기반 수치 시뮬레이션을 통해 AC를 기존 알고리즘과 비교하여 실용적 성능 우월성을 검증한다.

실험 결과

연구 질문

• RQ1 추천 시스템을 우회하는 외부 경로를 통해 일부 트래픽이 유입될 경우, 매칭 플랫폼은 어떻게 용량을 최적 할당해야 하는가?
• RQ2 이러한 다중 채널 트래픽 환경에서 온라인 알고리즘의 이론적 성능 한계는 무엇이며, 외부 트래픽 비율에 따라 어떻게 달라지는가?
• RQ3 트래픽 소스에 따라 매칭 전략을 적응적으로 조정할 수 있는 알고리즘을 설계할 수 있는가?
• RQ4 실제 데이터 시나리오에서 제안된 Adaptive Capacity (AC) 알고리즘의 성능은 기존 알고리즘과 비교해 어떻게 되는가?
• RQ5 최상의 가능한 경쟁 비율과 AC의 실제 성능 사이의 격차는 무엇이며, 이는 시스템 파라미터에 따라 어떻게 변화하는가?

주요 결과

• AC 알고리즘은 외부 트래픽 비율이 증가할수록 경쟁 비율이 향상되며, 외부 트래픽이 증가할수록 성능 향상이 뚜렷하다.
• AC의 경쟁 비율은 이론적 상한선에 매우 가까운 함수로 하한이 보장되며, 이는 거의 최적임을 시사한다.
• AC의 경쟁 비율은 표준 하한선인 β(최적의 클레어보이언트 솔루션에서의 유용한 매칭의 기대 비율)를 엄격히 초월하며, 외부 트래픽이 존재할 경우 기존 알고리즘보다 뛰어난 성능을 보인다.
• VolunteerMatch 데이터 기반 수치 연구 결과, AC는 특히 외부 트래픽 비율이 높은 상황에서 현재 산업 관행을 크게 능가하는 것으로 나타났다.
• 모델 분석을 통해 외부 트래픽은 전략적으로 활용될 수 있음을 밝혔다: 외부 매칭을 유지하고 내부 트래픽을 부족한 기회로 유도함으로써 전체 매칭 효율을 높일 수 있다.
• 분석 결과, 이전 연구에서 흔히 볼 수 있는 내부 트래픽 최적화에만 집중할 경우, 외부 트래픽 비율이 높을 때 성능이 열등해짐을 보여주었다.