多通道流量匹配平台的在线算法
摘要：两边平台依赖其推荐算法来帮助用户成功找到匹配对象。然而，在像VolunteerMatch（VM）这样的平台上，网站流量的相当一部分是通过外部链接直接到达非营利组织的志愿者页面的，从而绕过了平台的推荐算法。我们研究了在最大化成功匹配的目标下，这样的平台应该如何在推荐算法的设计中考虑这种外部流量。我们将平台的问题建模为在线匹配的特殊情况，其中（使用VM术语）志愿者按顺序和概率到达，并与一个机会进行有限次匹配，每个机会都需要志愿者。在我们的框架中，外部流量只对其目标机会感兴趣；相比之下，内部流量可能对许多机会感兴趣，平台的在线算法选择推荐哪个机会。在评估不同算法时，我们以外部流量的数量来参数化竞争比率。在展示了在没有外部流量的情况下最佳的常用算法的缺点后，我们提出了一种新的算法——自适应能力（AC），它根据匹配是否来自内部或外部流量来进行不同的处理。我们对AC的竞争比率提供了一个下界，该下界随着外部流量的增加而增加，并且接近于（在某些情况下，恰好等于）我们在任何在线算法的竞争比率上建立的参数化上界。我们通过数值研究补充了我们的理论结果，该研究基于VM数据，证明了AC的强大性能，并进一步加深了我们对AC和其他常用算法之间差异的理解。
作者：Vahideh Manshadi, Scott Rodilitz, Daniela Saban, Akshaya Suresh
论文ID：2203.15037
分类：Computer Science and Game Theory
分类简称：cs.GT
提交时间：2023-08-03