Der Einfluss von Matching-Algorithmen auf den Erfolg einer Dating-App

Bibtex

@Select Types{,
  
   
  
   
  title    = "Der Einfluss von Matching-Algorithmen auf den Erfolg einer Dating-App", 
  author    = "Lucas Friedrich Mertens, Erik Christian Müller, Johanna Sebastian", 
  doi    = "https://doi.org/10.30844/wi_2020_r1-mertens", 
  abstract    = "Für den Erfolg von Online-Dating-Plattformen sind Matching- Algorithmen, die für passende, zielorientierte Partnervorschläge verantwortlich sind, von übergeordneter Bedeutung. Fokus dieser Arbeit ist die Betrachtung einer differenzierten Maximierung der wahrgenommenen Zufriedenheit der gesamten Population einer Dating App in Abhängigkeit von ihren Motiven zur Anmeldung auf dieser Plattform. Es wurden verschiedene Matching- Algorithmen implementiert und deren Erfolg verglichen. Es konnte festgestellt werden, dass ein Preferred Proposing (individualisierte Partnervorschläge) gegenüber zufälligen Partnervorschlägen zu einer maßgeblichen Steigerung der wahrgenommenen Zufriedenheit der Population führt. Weiterhin konnte die negative Auswirkung von Werbung und Fakeprofilen innerhalb der Plattform quantifiziert werden. Die stochastische agentenbasierte Simulation wurde mit AnyLogic PLE durchgeführt. Auf dieser Grundlage wurde das Matching- Verhalten der heterogenen Population visualisiert. Mit Hilfe dieser Visualisierung lässt sich das Verhalten der gesamten Population global sowie auf Ebene des Individuums präzise betrachten und nachvollziehen.

", 
  keywords    = "Agent-based Simulation, Online Dating, Stochastic Simulation
", 
}

Abstract

Abstract

Für den Erfolg von Online-Dating-Plattformen sind Matching- Algorithmen, die für passende, zielorientierte Partnervorschläge verantwortlich sind, von übergeordneter Bedeutung. Fokus dieser Arbeit ist die Betrachtung einer differenzierten Maximierung der wahrgenommenen Zufriedenheit der gesamten Population einer Dating App in Abhängigkeit von ihren Motiven zur Anmeldung auf dieser Plattform. Es wurden verschiedene Matching- Algorithmen implementiert und deren Erfolg verglichen. Es konnte festgestellt werden, dass ein Preferred Proposing (individualisierte Partnervorschläge) gegenüber zufälligen Partnervorschlägen zu einer maßgeblichen Steigerung der wahrgenommenen Zufriedenheit der Population führt. Weiterhin konnte die negative Auswirkung von Werbung und Fakeprofilen innerhalb der Plattform quantifiziert werden. Die stochastische agentenbasierte Simulation wurde mit AnyLogic PLE durchgeführt. Auf dieser Grundlage wurde das Matching- Verhalten der heterogenen Population visualisiert. Mit Hilfe dieser Visualisierung lässt sich das Verhalten der gesamten Population global sowie auf Ebene des Individuums präzise betrachten und nachvollziehen.

Keywords

Schlüsselwörter

Agent-based Simulation, Online Dating, Stochastic Simulation

References

Referenzen

1. Tong, S.T., Hancock, J.T., Slatcher, R.B.: Online dating system design and relational decision making: Choice, algorithms, and control. Pers. Relatsh. 23, 645–662 (2016).
2. Kleinerman, A., Rosenfeld, A., Ricci, F., Kraus, S.: Optimally balancing receiver and recommended users’ importance in reciprocal recommender systems. In: Proceedings of the 12th ACM Conference on Recommender Systems – RecSys ’18. pp. 131–139. ACM Press, New York, New York, USA (2018).
3. Singleboersen-Vergleich.de: DER ONLINE-DATING-MARKT 2017-2018. (2018).
4. Bitkom e.V.: Jeder dritte Deutsche sucht die Liebe im Internet, https://www.bitkom.org/Presse/Presseinformation/Jeder-dritte-Deutsche-sucht-die-Liebeim- Internet (Accessed: 18.12.2019).
5. Krzywicki, A., Wobcke, W., Kim, Y.S., Cai, X., Bain, M., Mahidadia, A., Compton, P.: Collaborative Filtering for people-to-people recommendation in online dating: Data analysis and user trial. Int. J. Hum. Comput. Stud. 76, 50–66 (2015).
6. Krzywicki, A., Wobcke, W., Cai, X., Mahidadia, A., Bain, M., Compton, P., Kim, Y.S.: Interaction-Based Collaborative Filtering Methods for Recommendation in Online Dating. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). pp. 342–356 (2010).
7. Cai, X., Bain, M., Krzywicki, A., Wobcke, W., Kim, Y.S., Compton, P., Mahidadia, A.: Collaborative Filtering for People to People Recommendation in Social Networks. Presented at the (2010).
8. Terveen, L., McDonald, D.W.: Social matching: A Framework and Research Agenda. ACM Trans. Comput. Interact. 12, 401–434 (2005).
9. Xia, P., Jiang, H., Wang, X., Chen, C., Liu, B.: Predicting user replying behavior on a large online dating site. Proc. 8th Int. Conf. Weblogs Soc. Media, ICWSM 2014. 545–554 (2014).
10. Menkin, J.A., Robles, T.F., Wiley, J.F., Gonzaga, G.C.: Online dating across the life span: Users’ relationship goals. Psychol. Aging. 30, 987–993 (2015).
11. Macal, C.M., North, M.J.: Tutorial on agent-based modelling and simulation. J. Simul. 4, 151–162 (2010).
12. Bonabeau, E.: Agent-based modeling: Methods and techniques for simulating human systems. In: Proceedings of the national academy of sciences. pp. 7280–7287 (2002).
13. Alsaleh, S., Nayak, R., Xu, Y., Chen, L.: Improving Matching Process in Social Network Using Implicit and Explicit User Information. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). pp. 313–320 (2011).
14. Qu, Y., Liu, H., Du, Y., Wu, Z.: Reciprocal Ranking: A Hybrid Ranking Algorithm for Reciprocal Recommendation. In: Geng, X. and Kang, B. (eds.) PRICAI 2018: Trends in Artificial Intelligence. pp. 455–463. Springer, Cham (2018).
15. Chen, L., Nayak, R., Xu, Y.: A Recommendation Method for Online Dating Networks Based on Social Relations and Demographic Information. In: 2011 International Conference on Advances in Social Networks Analysis and Mining. pp. 407–411. IEEE (2011).
16. Pizzato, L.A., Rej, T., Yacef, K., Koprinska, I., Kay, J.: Finding Someone You Will Like and Who Won’t Reject You. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). pp. 269–280 (2011).
17. Xia, P., Liu, B., Sun, Y., Chen, C.: Reciprocal Recommendation System for Online Dating. In: Proceedings of the 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining 2015 – ASONAM ’15. pp. 234–241. ACM Press, New York, New York, USA (2015).
18. Wobcke, W., Krzywicki, A., Kim, Y.S., Cai, X., Bain, M., Compton, P., Mahidadia, A.: A Deployed People-to-People Recommender System in Online Dating. AI Mag. 36, 5 (2015).
19. Brozovsky, L., Petricek, V.: Recommender System for Online Dating Service. arXiv Prepr. cs/0703042. (2007).
20. Akehurst, J., Koprinska, I., Yacef, K., Pizzato, L., Kay, J., Rej, T.: CCR – A contentcollaborative reciprocal recommender for online dating. IJCAI Int. Jt. Conf. Artif. Intell. 2199–2204 (2011).
21. Nayak, R.: Utilizing Past Relations and User Similarities in a Social Matching System. In: Huang, J.Z., Cao, L., and Srivastava, J. (eds.) Advances in Knowledge Discovery and Data Mining. pp. 99–110. Springer, Berlin, Heidelberg (2011).
22. Li, L., Li, T.: MEET: A generalized framework for reciprocal recommender systems. ACM Int. Conf. Proceeding Ser. 35–44 (2012).
23. Eirinaki, M., Vazirgiannis, M.: Web mining for web personalization. ACM Trans. Internet Technol. 3, 1–27 (2003).
24. McFee, B., Lanckriet, G.: Metric learning to rank. ICML 2010 – Proceedings, 27th Int. Conf. Mach. Learn. 775–782 (2010).
25. Law, A.: Simulation modeling and analysis. McGraw-Hill Education – Europe (2014).
26. Grimm, V., Berger, U., DeAngelis, D.L., Polhill, J.G., Giske, J., Railsback, S.F.: The ODD protocol: A review and first update. Ecol. Modell. 221, 2760–2768 (2010).
27. Pleines, C., Bothe, A., Schweyer, C.: ZU-ZWEIT.de Pro lbild-Studie 2019 / 2020: Partnersuche, Strand und Gurken. (2019).
28. AnyLogic: AnyLogic Simulation Software, https://www.anylogic.de/use-ofsimulation/ multimethod-modeling/ (Accessed: 28.02.2019).

Most viewed articles

Meist angesehene Beiträge

GITO events | library.gito