Motori di ricerca: risultati più giusti con alternative a Google e Bing

I motori di ricerca come Google o Bing offrono risultati che presentano corrispondenze con il significato letterale della ricerca effettuata, in combinazione con fattori gestiti dal proprio algoritmo. Al fine di sviluppare un’opzione che fornisca risultati più precisi, fornendo visibilità anche a coloro che, pur essendo correlati ai termini di ricerca, non sono tra i primi, i ricercatori della Cornell University hanno sviluppato un sistema di classificazione più equo per le ricerche che può variare da hotel a offerte di lavoro e contenuti audiovisivi.

Nuova alternativa per offrire risultati migliori nei motori di ricerca

Il nuovo sistema di ranking introdotto dal team di Cornell si occupa di fornire risultati rilevanti, ma divide in modo più uniforme l’attenzione dell’utente tra i risultati della ricerca. Può essere applicato a mercati online come siti di viaggi, piattaforme di reclutamento e aggregatori di notizie.

I sistemi che gestiscono i risultati restituiti da un motore di ricerca sono generalmente responsabili della classificazione dei contenuti da visualizzare in base a ciò che gli utenti vogliono vedere. In pratica, tuttavia, molti articoli sono classificati ingiustamente in basso. Sotto questa dinamica, siti di contenuto e qualità simili possono finire molto distanti nelle classifiche, accedendo in alcuni casi a un’esposizione quasi zero.

Thorsten Joachims, professore di informatica e scienze dell’informazione alla Cornell: “Nei sistemi di raccomandazione e nei motori di ricerca, chi si classifica in alto ne ottiene un grande vantaggio. L’attenzione dell’utente è una risorsa limitata e dobbiamo distribuirla equamente tra gli elementi”.

Equa divisione, sistema di classificazione migliorato

Per rimediare a questa situazione, Yuta Saito, una studentessa di dottorato in informatica alla Cornell, ha sviluppato un sistema di classificazione migliorato, basandosi sulle idee della teoria economica. Per questo ha applicato il principio della “equa divisione”, applicato per distribuire risorse limitate nel modo più equo possibile tra i membri di un gruppo.

L’equa ripartizione dei risultati è definita sulla base di tre criteri:

1. il vantaggio di ogni elemento di essere classificato sulla piattaforma è meglio che essere scoperto casualmente;
2. l’impatto di nessun elemento, come il reddito, può essere facilmente migliorato;
3. e nessun articolo guadagnerebbe un vantaggio cambiando la sua classifica rispetto ad altri articoli in una serie di ricerche.

L’attuazione di questo principio è stata testata con un campione di dati sintetici e un altro di dati del mondo reale, dimostrando efficacemente la fattibilità del sistema proposto. “Abbiamo completamente ridefinito l’equità nella classifica”, ha affermato Saito. “Può essere applicato a qualsiasi tipo di sistema di classifica bilaterale”, ha aggiunto.

YouTube come esempio

Per illustrare l’impatto di questo sistema, il team ha utilizzato la sua applicazione su YouTube come esempio. In questo caso, il sistema di raccomandazione presenterebbe un flusso di video più vario, che potrebbe distribuire i guadagni in modo più uniforme tra i creatori di contenuti. “Vogliamo soddisfare gli utenti della piattaforma, ovviamente, ma dobbiamo anche essere onesti con i creatori di video, per mantenere la loro diversità a lungo termine”, ha affermato Saito.

In altri ambiti di utilizzo, come le piattaforme di lavoro, questo sistema potrebbe diversificare i risultati della ricerca con risultati più precisi, invece di mostrare sempre le offerte in evidenza o più popolari che vengono mostrate di default. Allo stesso modo, estrapolando questa tecnica ad altre aree, potrebbe anche essere utilizzata per migliorare i consigli sui film sulle piattaforme di streaming, facilitare la ricerca di contenuti pertinenti alle conferenze e persino accedere a una selezione più equilibrata di notizie curate.

Il dettaglio tecnico di questa proposta è stato presentato nella pubblicazione “Fair Ranking as Fair Division: Impact-Based Individual Fairness in Ranking“, rilasciata dall’evento “Proceedings of the 2022 Association for Computing Machinery Special Interest Group on Knowledge Discovery and Data Mining Conference“.