Algorithmes de matchmaking : comment les affinités sont calculées

Algorithmes de matchmaking: comment les affinités sont calculées

Il trie des profils sous contrainte, à partir de données déclarées, de comportements observés et d’une question opérationnelle: quelle présentation a le plus de chances de produire un intérêt mutuel, puis une conversation?

Cette différence change tout. Un algorithme de matchmaking tchat affinités ne mesure ni la profondeur d’un lien ni la viabilité d’une relation. Il organise une visibilité. Il décide quels profils apparaissent, dans quel ordre, à quel moment et pour quel utilisateur. C’est une infrastructure de découverte, pas un oracle sentimental.

Les plateformes ne publient presque jamais leurs pondérations exactes. Elles protègent ainsi leur modèle économique, mais aussi leurs garde-fous contre la manipulation. En revanche, leurs documentations, les travaux sur la recommandation réciproque et le cadre du RGPD permettent d’isoler les variables principales.

L’algorithme ne calcule pas l’amour. Il réduit l’incertitude avant le premier message.

Au-delà du score Elo: un classement qui bouge avec les usages

Le score Elo est devenu un raccourci commode pour décrire les applications de rencontre. Il désignait à l’origine un système de classement utilisé dans les jeux compétitifs: gagner contre un adversaire bien classé améliore davantage le score que gagner contre un adversaire moins bien classé. Transposé aux rencontres, le modèle suggère une hiérarchie globale de désirabilité.

Cette image est aujourd’hui insuffisante. Tinder indique ne plus utiliser de score Elo. La plateforme décrit un système dynamique qui prend en compte les interactions, les Likes, les refus, l’activité et les informations du profil. Le point central n’est donc pas la note permanente d’une personne, mais la pertinence locale d’une recommandation.

Un même profil peut être montré différemment selon plusieurs paramètres:

• la zone géographique active;
• les plages d’âge et de distance définies dans les préférences;
• le genre recherché et les paramètres de découverte;
• l’activité récente de chaque compte;
• les centres d’intérêt et éléments de mode de vie renseignés;
• les Likes et refus déjà exprimés;
• la réception du profil par d’autres membres dans une zone comparable.

Cela ne signifie pas que chaque signal a le même poids. Cette information reste opaque. Il serait donc faux d’affirmer qu’une photo, une bio ou une fréquence de connexion compte « deux fois plus » qu’un autre élément. Les plateformes ne rendent pas ces coefficients publics, et ils peuvent varier selon le contexte.

Le fonctionnement du matching des applications de rencontre ressemble davantage à une succession de filtres qu’à une compétition générale. Un profil peut être exclu avant même la phase de classement parce qu’il est hors distance, hors préférence d’âge ou inactif. Parmi les profils restants, le système cherche ensuite ceux qui ont une probabilité raisonnable d’être vus, appréciés et, idéalement, de répondre.

Le classement est donc révisable. Une personne qui modifie ses paramètres, renseigne son profil ou recommence à utiliser l’application change les données disponibles. De même, un utilisateur qui Like un ensemble cohérent de profils envoie un signal plus exploitable qu’un utilisateur qui valide ou refuse sans régularité apparente.

Cette mécanique explique un phénomène souvent interprété comme arbitraire: après quelques jours d’usage, les profils proposés semblent changer de nature. L’application a accumulé des signaux. Elle ne connaît pas mieux la personne au sens humain du terme; elle a seulement réduit certaines hypothèses statistiques.

La recommandation réciproque: le système cherche deux décisions, pas une

Recommander une vidéo et recommander une personne sont deux problèmes différents. Une vidéo n’a pas à accepter d’être regardée. Dans un tchat ou une application de rencontre, la relation ne démarre que si deux décisions convergent.

C’est le principe de la recommandation réciproque. Le système ne cherche pas seulement à estimer: « Cette personne A est-elle susceptible d’apprécier le profil B? » Il doit aussi approcher la question inverse: « B a-t-elle une probabilité de s’intéresser à A? » Puis il doit estimer la possibilité d’une interaction réelle après le match.

Cette logique peut être formulée en trois niveaux:

1. L’éligibilité. Les deux profils entrent-ils dans les paramètres de découverte respectifs? Distance, âge, genre recherché, disponibilité du compte et règles de la plateforme interviennent ici.

2. L’intérêt potentiel. Les données disponibles suggèrent-elles qu’un Like est probable de chaque côté? Les choix précédents et les caractéristiques déclarées alimentent cette estimation.

3. L’activation de l’échange. Une fois le match créé, la conversation a-t-elle une chance de commencer et de se poursuivre? Cette étape est plus difficile à prédire, car elle dépend de variables peu stables: moment de connexion, intention, qualité du premier message, fatigue de l’utilisateur, contexte de vie.

Des recherches sur les systèmes de rencontre ont précisément étudié cette architecture bilatérale. Dans une expérience menée sur un grand site de rencontres, un modèle apprenant les préférences à partir des messages observés et des informations de profil a amélioré le taux de matchs réussis jusqu’à 45 %. Le résultat mérite d’être lu avec méthode: il s’agit d’un maximum constaté dans un jeu de données et un protocole particuliers, non d’une promesse applicable à toutes les plateformes.

Le gain observé montre néanmoins une chose nette. Un système qui optimise uniquement le goût d’un utilisateur produit des recommandations incomplètes. Il peut présenter des profils très désirés par une personne, mais peu susceptibles de répondre. La recommandation réciproque corrige cette asymétrie.

Un profil pertinent n’est pas celui qui plaît le plus à une personne. C’est celui pour lequel l’intérêt peut circuler dans les deux sens.

Cette contrainte produit parfois des effets que les utilisateurs perçoivent mal. Un profil qui semble correspondre aux critères déclarés peut apparaître rarement, non parce qu’il est jugé « trop bien » ou « pas assez bien », mais parce que le système estime faible la probabilité d’un retour d’intérêt. Il s’agit d’une prédiction de comportement, non d’un verdict de valeur.

Les données qui alimentent la prédiction d’affinités sur un tchat en ligne

Les données utilisées par un système de recommandation de rencontres se répartissent en deux familles: celles que la personne donne explicitement et celles que la plateforme observe au fil de l’usage.

Les premières sont visibles et relativement faciles à contrôler. Elles comprennent l’âge, la localisation, les préférences de découverte, les centres d’intérêt, une description de mode de vie et, selon le service, diverses informations de profil. Tinder cite publiquement plusieurs de ces paramètres dans l’explication de ses recommandations.

Les secondes sont plus structurantes, car elles décrivent un comportement plutôt qu’une intention déclarée. La plateforme peut enregistrer un Like, un refus, une séquence de navigation, une activité récente ou l’existence d’un match. Tinder indique également utiliser les Likes et les refus, ainsi que la fréquence à laquelle un profil est aimé ou refusé dans sa zone. Des signaux anonymisés issus des photos sont aussi mentionnés pour personnaliser l’ordre de présentation.

Il faut distinguer les données brutes de l’inférence. Cliquer sur un profil est une donnée. En déduire une préférence pour une certaine présentation, une tranche d’âge ou un style de vie relève du profilage.

Cette dernière colonne doit rester présente à l’esprit. Les plateformes peuvent prédire des probabilités, mais elles n’observent pas directement les motifs. Un refus peut venir d’une photo, d’une distance, d’un mauvais moment ou d’une lassitude générale face à l’interface. Un silence après un match peut relever d’une indisponibilité temporaire, pas d’un manque d’affinité.

La donnée comportementale a pourtant un avantage technique: elle est répétée. Une préférence renseignée une fois dans un formulaire est une information fixe. Des dizaines de Likes ou de refus dessinent une série. L’algorithme peut y détecter des corrélations. Cette capacité explique pourquoi les recommandations évoluent au fur et à mesure que le compte est utilisé.

Elle crée aussi un risque de boucle. Si le système montre surtout des profils semblables à ceux déjà appréciés, il collecte davantage de réactions sur ce même segment. Il renforce alors son hypothèse initiale. C’est un mécanisme courant de recommandation: la personnalisation améliore la précision locale, mais elle peut réduire la diversité des propositions.

Un bon système doit donc préserver une dose d’exploration. Il peut présenter certains profils moins évidents pour tester une hypothèse, éviter l’épuisement du catalogue ou ne pas enfermer l’utilisateur dans ses choix passés. Les paramètres exacts de cette exploration ne sont généralement pas publics. Mais sans elle, la recommandation devient une répétition.

Similarité, complémentarité: ce que les corrélations disent réellement

L’idée selon laquelle « les opposés s’attirent » est séduisante. Elle est peu utile pour concevoir un système de matching. Un algorithme ne travaille pas avec des maximes; il cherche des relations mesurables entre des caractéristiques et des comportements observés.

Une étude publiée en 2019, fondée sur plus de 421 millions de matchs potentiels dans une application mobile, a défini le match effectif comme un échange de coordonnées suggérant une intention de se rencontrer. Elle a observé que la similarité de plusieurs caractéristiques était généralement associée à une probabilité plus élevée de match effectif. Une exception a été rapportée pour deux personnes introverties.

Ce résultat ne permet pas de décréter que la similarité est une loi amoureuse. Il indique simplement qu’à grande échelle, dans ce jeu de données et avec cette définition du succès, certains points communs étaient associés à davantage de passages vers un échange concret.

La différence est décisive:

• une corrélation constate qu’un schéma apparaît dans les données;
• une prédiction estime qu’un résultat est plus probable dans une situation donnée;
• une causalité affirmerait qu’un trait produit directement un résultat;
• une compatibilité amoureuse supposerait une stabilité relationnelle que les interactions de plateforme ne suffisent pas à mesurer.

Le calcul de compatibilité amoureuse par algorithme est donc une formule trompeuse lorsqu’elle laisse entendre qu’un pourcentage résume une relation. Un taux d’affinité affiché par une application peut servir d’outil de navigation. Il peut inciter à ouvrir un profil ou à engager une conversation. Il ne doit pas être lu comme une mesure psychologique validée de la réussite d’un couple.

Les systèmes les plus prudents n’essaient pas de répondre à une question impossible — « Ces deux personnes seront-elles heureuses ensemble? » — mais à une question plus étroite: « Ces deux profils ont-ils des conditions minimales pour entrer en contact et maintenir un premier échange? »

C’est une ambition moins spectaculaire. Elle est aussi plus exacte.

Le démarrage à froid et les erreurs de lecture

Toute prédiction dépend d’un historique. Or un nouveau compte n’en possède presque pas. C’est le problème du démarrage à froid: le système connaît les paramètres saisis, mais pas encore les réactions réelles de la personne.

Au départ, une application peut s’appuyer sur les préférences déclarées, la localisation et les informations renseignées dans le profil. Elle peut aussi comparer ce profil à des profils présentant certaines proximités statistiques. Mais cette phase comporte une incertitude supérieure. L’algorithme ne dispose pas encore de série comportementale.

Cette situation produit deux erreurs fréquentes d’interprétation.

La première consiste à attribuer un sens définitif aux premiers profils affichés. Ils peuvent être issus de règles génériques, d’une disponibilité locale ou d’une exploration initiale. Ils ne constituent pas un diagnostic sur les goûts de l’utilisateur.

La seconde consiste à croire qu’un profil complet « force » sa visibilité. Un profil renseigné aide le système à établir des correspondances et à respecter les filtres. Il ne garantit aucun classement privilégié. La visibilité dépend aussi de l’activité, de la densité de profils dans la zone, des choix des autres membres et des mécanismes internes de la plateforme.

Le système de recommandation des rencontres gratuites rencontre ici une contrainte supplémentaire: il doit souvent produire une expérience utile avec peu de friction. Un service sans inscription longue peut collecter moins de données déclaratives au départ. Il compense alors par des paramètres simples, des signaux de session et l’observation des interactions. Cela réduit la profondeur du profil initial, mais aussi la quantité de données personnelles demandées avant le premier échange.

Le compromis est structurel. Plus une plateforme réclame d’informations, plus elle peut segmenter les recommandations. Plus elle réduit l’entrée, plus elle doit accepter une prédiction moins fine au début. Il n’existe pas de configuration sans coût.

Profilage, RGPD et garde-fous: ce que le droit encadre

Dans le cadre présenté par la CNIL, le profilage consiste à utiliser des données personnelles afin d’analyser ou de prédire des éléments tels que les préférences, les habitudes ou le comportement. Cette définition couvre une part importante de la mécanique de recommandation sur les applications de rencontre.

Le profilage n’est pas interdit en soi. Il doit toutefois reposer sur une base légale, être expliqué de manière compréhensible, limité à ce qui est nécessaire et assorti de droits pour les personnes concernées. Dans un environnement de rencontre, l’enjeu est particulièrement sensible: les données touchent aux préférences, aux interactions sociales, à la géolocalisation et parfois à des informations susceptibles de révéler des aspects intimes.

L’article 22 du RGPD encadre plus précisément les décisions fondées exclusivement sur un traitement automatisé lorsqu’elles produisent des effets juridiques ou affectent de manière significative une personne. Il serait imprécis de soutenir que tout classement de profils tombe automatiquement sous cette interdiction. Une recommandation n’a pas mécaniquement le même statut qu’un refus de crédit, une décision d’embauche ou une mesure administrative.

Mais la frontière mérite une attention technique. Plus un système détermine durablement la visibilité, ferme des accès, applique des restrictions ou produit des effets concrets difficiles à contester, plus les garanties deviennent centrales. L’explication des paramètres, la possibilité de modifier les préférences, la maîtrise des données et les voies de recours ne sont pas des ajouts décoratifs. Ce sont des garde-fous contre une asymétrie d’information.

Une plateforme peut déclarer ne pas utiliser certains critères, comme le statut social, la religion ou l’origine ethnique, dans son algorithme. Tinder formule cette position concernant son fonctionnement déclaré. Cela ne suffit pas à démontrer l’absence de biais dans les résultats. Un biais peut émerger de variables indirectes, de données historiques, des comportements collectifs ou de la structure même de l’interface.

La question pertinente n’est donc pas: « L’algorithme est-il neutre? » Aucun système de classement ne l’est au sens strict. La question est: quelles données entrent dans le modèle, quels effets elles produisent, quels contrôles existent et quelles erreurs restent visibles?

La transparence utile ne révèle pas une formule magique. Elle rend les paramètres, les limites et les recours intelligibles.

Une recommandation technique, pas une promesse relationnelle

Les algorithmes de matchmaking améliorent une tâche précise: ordonner un grand nombre de profils afin de rendre la découverte praticable. Leur meilleure version cherche l’intérêt réciproque, tient compte des contraintes explicites et ajuste ses hypothèses aux interactions observées.

Leur limite est tout aussi précise. Ils ne voient pas ce qui transforme un match en conversation, une conversation en confiance ou une confiance en relation. Ils enregistrent des traces. Ils ne saisissent pas les intentions dans leur totalité.

La recommandation la plus rationnelle consiste donc à traiter les affinités calculées comme un outil de tri. Un profil proposé n’est pas une promesse. Un profil peu montré n’est pas une évaluation. L’algorithme organise l’accès; la rencontre commence après lui.