在线匹配市场中离线智能体的公平性最大化

匹配市场涉及异质智能体（通常来自两方）为互利而配对。在过去十年中，匹配市场借助互联网兴起并快速增长。它们演化为一种称为在线匹配市场（OMMs）的新形式，例子涵盖众包、在线推荐到网约车。OMMs 与传统匹配市场有两个区别性特征。其一为市场一侧的动态到达：我们称这些为在线智能体，其余则为离线智能体。在线与离线智能体的例子包括谷歌广告中的关键词（在线）与赞助商（离线）；亚马逊众包（AMT）中的工人（在线）与任务（离线）；网约车中的乘客（在线）与司机（在短时窗内受限时为离线）。OMMs 的第二个区别性特征是实时决策要素。然而研究表明，在这些 OMMs 中做决策的算法导致离线智能体匹配率的差异。例如，低社会经济地位社区的任务很少匹配到零工工人，特定种族/性别的司机在匹配中受到歧视。本文提出在线匹配算法，以优化 OMMs 中离线智能体的个体或群体层面公平性。我们提出两种基于线性规划（LP）的采样算法，分别实现个体公平性最大化（IFM）至少 0.725 与群体公平性最大化（GFM）至少 0.719 的在线竞争比。我们进行了大量数值实验，结果表明我们增强版的采样算法不仅概念上易于实现，而且在公平性最大化相关模型的实际实例中高度有效。