Algorithmes de rencontre : comment ils calculent l'amour

Algorithmes de rencontre: comment ils calculent l’amour

La distinction est technique, mais elle change la manière d’interpréter les recommandations affichées sur une application.

Un « j’aime », un refus, une réponse rapide, un échange interrompu ou le temps passé devant une fiche peuvent entrer dans le calcul. Ces données ne décrivent pas directement une personnalité. Elles décrivent un comportement dans une interface. Le système transforme ensuite ces comportements en probabilités de contact, de réponse ou d’intérêt réciproque.

Le fonctionnement d’un algorithme de rencontre repose donc sur plusieurs couches. Certaines sont historiques, comme le score Elo. D’autres sont comportementales, comme le filtrage collaboratif. D’autres encore cherchent à comprendre le sens des mots utilisés dans un profil. Aucune ne donne accès à une vérité intime. Elles réduisent une asymétrie d’information entre des personnes qui ne se connaissent pas encore.

De l’héritage du score Elo aux systèmes dynamiques modernes

Le score Elo vient du classement des joueurs d’échecs. Son principe est simple: un joueur gagne ou perd des points selon le résultat d’une partie et selon le niveau estimé de son adversaire. Appliqué aux sites de rencontre, le modèle ne cherche plus à évaluer une performance sportive. Il produit un indice de visibilité ou de désirabilité à partir des interactions reçues.

Historiquement, certaines applications ont utilisé une logique de ce type. Un profil souvent apprécié pouvait être considéré comme plus attractif. Un « j’aime » provenant d’un utilisateur lui-même très sollicité pouvait peser davantage qu’un « j’aime » provenant d’un profil peu actif ou rarement sélectionné. Le système construisait alors une hiérarchie indirecte.

Ce classement ne reposait pas uniquement sur le nombre de réactions. Il pouvait intégrer la relation entre les personnes qui interagissaient. Le modèle cherchait à éviter qu’un grand volume de gestes mécaniques suffise à produire une visibilité élevée. Dans cette logique, l’identité de l’utilisateur qui attribue une appréciation devient une variable du calcul.

Mais le score Elo traditionnel a une limite structurelle: il suppose une stabilité relative du classement. Or une application de rencontre fonctionne dans un environnement instable. Les utilisateurs arrivent, disparaissent, modifient leurs préférences, répondent différemment selon le moment ou le contexte. Une photographie changée, une nouvelle description ou une période d’inactivité peuvent modifier le comportement observé.

En 2019, Tinder a déclaré ne plus utiliser le score Elo traditionnel. L’entreprise a présenté un système plus dynamique, fondé sur les interactions en temps réel et sur le filtrage collaboratif. Le changement ne signifie pas que le classement a disparu. Il signifie que la logique de calcul n’est plus réduite à une note unique comparable à un classement sportif.

Le passage à un système dynamique permet de suivre plusieurs variables:

• la fréquence des sélections positives et négatives;
• le taux de réponse après une mise en relation;
• la durée des échanges;
• la régularité d’utilisation;
• la cohérence entre les profils consultés et ceux finalement appréciés;
• les changements de comportement après une modification du profil.

Il faut distinguer deux notions souvent confondues. La première est la visibilité: la probabilité qu’un profil soit présenté. La seconde est la compatibilité: la probabilité que deux personnes manifestent un intérêt réciproque ou poursuivent une interaction. Un système peut augmenter la visibilité d’un profil sans conclure qu’il est compatible avec l’utilisateur qui le consulte.

Un algorithme de rencontre ne déclare pas qu’une personne vous correspond. Il estime la probabilité que vous interagissiez avec elle.

Cette différence explique pourquoi le « score de désirabilité » des sites de rencontre ne doit pas être interprété comme une valeur personnelle. Il s’agit d’un paramètre opérationnel, calculé dans un environnement donné, avec des données partielles. Sa fonction est de prioriser des affichages. Il ne constitue ni un jugement social général ni une mesure objective de l’attractivité.

Le filtrage collaboratif: l’analyse comportementale en temps réel

Le filtrage collaboratif est un mécanisme courant dans les services numériques. Il repose sur une idée: des comportements similaires peuvent signaler des préférences similaires. Si deux utilisateurs consultent ou apprécient souvent les mêmes profils, le système peut estimer qu’ils auront d’autres préférences en commun.

Dans une application de rencontre, le modèle ne compare pas seulement les informations déclarées. Il compare les actions. Deux utilisateurs peuvent indiquer des goûts semblables dans leur présentation, mais se comporter de manière très différente devant les profils proposés. Le système donne alors davantage de poids à l’action observée qu’à la déclaration.

Le calcul de compatibilité d’une application de rencontre peut intégrer plusieurs familles de signaux:

Aucun de ces signaux n’a un sens isolé. Un refus peut indiquer une incompatibilité réelle, mais aussi une photographie peu lisible. Une absence de réponse peut traduire un désintérêt, mais aussi une notification ignorée. Un temps de visionnage long peut signaler de l’intérêt ou une hésitation. Le système ne connaît pas la cause. Il ne dispose que d’une trace comportementale.

C’est le point central de l’ingénierie du matchmaking: une action visible est utilisée comme indicateur d’une intention invisible. Cette conversion produit nécessairement de l’incertitude.

Les applications peuvent néanmoins réduire cette incertitude en agrégant les signaux. Une seule absence de réponse pèse peu. Une série répétée de conversations interrompues peut modifier la probabilité associée à certains types de profils ou de contextes. Le système cherche alors des régularités, pas des explications individuelles.

Cette logique crée un environnement adaptatif. Les profils proposés dépendent en partie de l’historique de l’utilisateur, mais cet historique est lui-même produit par les profils précédemment présentés. Le système influence donc les données qu’il utilise ensuite. C’est une boucle de rétroaction.

Si une application expose principalement certains types de profils, elle recueille surtout des réactions à ces profils. Elle peut ensuite conclure que ces catégories sont les plus pertinentes, alors qu’elles ont été favorisées au départ par son propre classement. Ce phénomène n’implique pas une manipulation intentionnelle. Il résulte de l’architecture du système.

L’ordre d’affichage n’est pas neutre

Dans un catalogue classique, changer l’ordre des produits modifie les probabilités d’achat. Dans une application de rencontre, l’effet est comparable, mais la variable est relationnelle. Un profil placé tôt reçoit davantage d’occasions d’être vu. Un profil affiché plus tard peut ne jamais être consulté, même s’il aurait suscité une interaction.

L’algorithme ne se contente donc pas de sélectionner des profils. Il organise l’exposition. Cette fonction est parfois plus déterminante que la formule utilisée pour calculer la compatibilité.

Les plateformes doivent aussi gérer une contrainte de distribution. Certains utilisateurs reçoivent beaucoup d’interactions, d’autres très peu. Sans mécanisme de régulation, une partie des profils pourrait rester en marge du système. Les modèles peuvent alors introduire de la rotation, tester de nouveaux profils ou modifier temporairement l’ordre des recommandations afin de recueillir davantage de données.

Ce processus ressemble à une phase d’apprentissage. Le système ne sait pas immédiatement quelle catégorie de profils intéresse un utilisateur. Il lui en propose plusieurs, observe les réactions, puis ajuste. L’utilisateur n’est pas seulement un bénéficiaire du classement. Il sert aussi de source de données pour son amélioration.

La théorie des mariages stables: quand le système cherche la préférence mutuelle

Le filtrage collaboratif s’intéresse aux comportements collectifs. La théorie des appariements stables aborde le problème sous un autre angle: comment associer deux groupes en tenant compte de leurs préférences respectives?

L’algorithme de Gale-Shapley, publié en 1962, a été conçu pour résoudre le problème des mariages stables. Dans sa formulation initiale, il cherche à produire une association dans laquelle deux participants n’auraient pas intérêt à quitter leur attribution pour former une nouvelle paire préférée par les deux.

Le terme « mariage » renvoie ici à un modèle mathématique, pas à une prédiction sentimentale. L’algorithme manipule des listes de préférences. Il ne connaît ni la personnalité complète des individus ni la qualité future d’une relation. Il cherche une configuration stable selon les préférences déclarées ou estimées.

Lloyd Shapley et Alvin Roth ont reçu le prix Nobel d’économie en 2012 pour leurs travaux sur la théorie des allocations et des marchés d’appariement. Cette reconnaissance a contribué à diffuser l’idée que des mécanismes de mise en relation pouvaient organiser des choix réciproques dans des environnements complexes.

Des applications comme Hinge ont été associées à l’utilisation de principes proches de cette théorie pour optimiser des correspondances mutuellement préférées. Il ne faut pas en déduire qu’une application exécute nécessairement une version pure et isolée de Gale-Shapley. Les services actuels combinent généralement plusieurs modèles, avec des paramètres propriétaires non publics.

La logique reste néanmoins instructive. Une recommandation pertinente n’est pas celle qui maximise uniquement l’intérêt d’un utilisateur. Elle doit aussi tenir compte de la probabilité que l’autre personne réagisse favorablement. Le système cherche donc une intersection entre deux ensembles de préférences.

Cette approche modifie la question posée à l’algorithme. Il ne s’agit plus seulement de demander: « Qui pourrait plaire à cette personne? » Il faut aussi demander: « Qui pourrait lui répondre, et dans quel contexte? »

Le résultat peut être moins spectaculaire qu’une sélection fondée sur l’attractivité perçue. Un profil très populaire n’est pas nécessairement la meilleure recommandation pour chaque utilisateur. Un appariement efficace dépend de la réciprocité, de la disponibilité et de la probabilité d’engagement.

La stabilité n’est pas la qualité

Un appariement stable peut être cohérent dans le modèle et décevant dans la réalité. La stabilité signifie qu’aucune paire ne présente une combinaison préférée par les deux parties selon les données disponibles. Elle ne signifie pas que les personnes vont s’entendre, se rencontrer ou construire une relation durable.

Le modèle ne maîtrise pas les variables qui apparaissent après la mise en relation:

• le rythme réel des échanges;
• la capacité à formuler une demande;
• la disponibilité émotionnelle;
• la fiabilité des informations déclarées;
• la compatibilité des habitudes quotidiennes;
• les événements extérieurs à l’application.

La théorie fournit un garde-fou contre une sélection entièrement unilatérale. Elle ne résout pas le problème de la connaissance incomplète. L’utilisateur reste décrit par des indicateurs, et ces indicateurs sont nécessairement incomplets.

L’intelligence artificielle générative et la compatibilité sémantique

Les premiers systèmes de recommandation exploitaient surtout des catégories explicites: âge, distance, genre recherché, réponses à un questionnaire ou centres d’intérêt sélectionnés dans une liste. Les outils récents peuvent aussi analyser la formulation libre des profils.

Cette évolution introduit la compatibilité sémantique. Deux personnes peuvent parler du même sujet avec des mots différents. L’une mentionnera les randonnées du week-end, l’autre les itinéraires en montagne. Un système capable de rapprocher ces formulations peut détecter une proximité qui ne figure pas dans une case prédéfinie.

Certaines applications récentes utilisent l’intelligence artificielle générative pour analyser le contenu sémantique des profils et rapprocher des centres d’intérêt formulés différemment. Le modèle ne se limite plus à compter des mots identiques. Il tente d’identifier des thèmes, des intentions ou des relations entre des expressions.

Cette capacité reste dépendante de la qualité du texte. Un profil très court fournit peu de matière. Un texte rempli de formulations génériques crée des correspondances faibles. Un contenu ironique, ambigu ou contradictoire peut être mal interprété par un système qui recherche des régularités linguistiques.

L’analyse sémantique pose aussi un problème de précision. Comprendre qu’une personne évoque souvent la cuisine, les voyages ou la lecture ne permet pas de savoir comment elle se comporte dans une relation. Le langage révèle des préférences déclarées. Il ne garantit pas leur pratique réelle.

Un système peut rapprocher deux profils parce qu’ils contiennent des thèmes similaires. Il ne sait pas nécessairement si ces thèmes ont la même place dans la vie des deux personnes. La mention d’un loisir occasionnel et la pratique quotidienne de ce même loisir peuvent produire une proximité artificielle.

L’intelligence artificielle ajoute enfin une couche d’opacité. Les utilisateurs comprennent généralement les critères qu’ils renseignent directement. Ils comprennent moins bien la manière dont une application interprète une phrase, un ton ou une combinaison de mots. La recommandation devient alors difficile à contester, car sa logique n’est pas exposée.

Plus le système interprète le langage, plus il doit distinguer la proximité des mots de la proximité des personnes.

Cette distinction concerne aussi les assistants qui suggèrent une description de profil ou une réponse à un message. Une formulation produite par une machine peut améliorer la lisibilité d’un profil. Elle peut aussi réduire la valeur informative de l’échange si plusieurs personnes utilisent des formulations similaires. Le système analyse alors des textes qui ne reflètent qu’en partie l’utilisateur réel.

Le problème n’est pas moral. Il est informationnel. Si le contenu est généré, corrigé ou fortement optimisé, l’algorithme observe une représentation filtrée. La qualité de la recommandation dépend de la distance entre cette représentation et les comportements réels.

Les limites du calcul: pourquoi l’attraction reste imprévisible

Le calcul de compatibilité fonctionne sur des variables mesurables. L’attraction, elle, se manifeste souvent dans une situation concrète. Une voix, un rythme de conversation, une manière de répondre ou une réaction imprévue peuvent modifier l’intérêt en quelques minutes. Ces éléments sont rarement disponibles avant le premier échange.

Les applications prédisent surtout une interaction: la probabilité d’un intérêt, d’une réponse ou d’une conversation. Elles ne prédisent pas de manière infaillible le sentiment amoureux. Cette limite n’est pas un défaut temporaire que davantage de données suffiraient forcément à corriger. Elle tient à la nature du phénomène observé.

Une relation crée des informations nouvelles. Les personnes découvrent des traits qui n’existaient pas dans le profil ou qui n’étaient pas visibles dans les premières interactions. Le système peut recommander la rencontre, mais il ne peut pas remplacer la phase où les individus révisent eux-mêmes leur jugement.

Les biais produits par les données

Un algorithme apprend à partir des comportements disponibles. Si ces comportements sont marqués par des habitudes sociales, des préférences de présentation ou des inégalités de visibilité, le système peut les reproduire.

Plusieurs biais peuvent apparaître:

1. Le biais de popularité. Les profils déjà beaucoup consultés recueillent davantage de données. Le système les considère alors comme plus fiables ou plus susceptibles de générer une interaction, ce qui peut renforcer leur exposition.

2. Le biais de représentation. Les utilisateurs qui rédigent des profils détaillés produisent davantage de signaux sémantiques que ceux qui écrivent peu. Le modèle peut mieux les classer sans qu’ils soient réellement plus compatibles.

3. Le biais d’historique. Une préférence répétée n’est pas toujours une préférence stable. Elle peut venir d’une sélection limitée par l’ordre d’affichage ou par les profils disponibles à un moment donné.

4. Le biais de réciprocité apparente. Un utilisateur peut répondre rapidement dans certaines périodes et ignorer les messages dans d’autres. Une application qui agrège ces données peut transformer une situation temporaire en caractéristique durable.

5. Le biais de boucle. Les recommandations modifient les interactions futures. Les interactions futures servent ensuite à ajuster les recommandations. Le système peut donc consolider ses propres hypothèses.

Ces biais ne rendent pas toute recommandation inutile. Ils indiquent que le résultat doit être lu comme une proposition issue d’un modèle, non comme une conclusion indépendante.

L’infrastructure compte autant que la formule

Les discussions sur les algorithmes se concentrent souvent sur le modèle mathématique. Dans la pratique, l’infrastructure de l’application joue un rôle équivalent. La fréquence des notifications, la possibilité de modifier ses critères, la gestion des profils inactifs, la visibilité des nouveaux inscrits et la détection des comptes automatisés modifient directement les données disponibles.

La modération constitue un autre niveau du système. Un faux profil, une tentative d’arnaque ou un compte automatisé peut produire des interactions qui contaminent les modèles. Les mécanismes de signalement, de vérification et de limitation ne sont donc pas des fonctions périphériques. Ils protègent la qualité des données utilisées pour les recommandations.

La friction peut aussi avoir une fonction technique. Demander une information supplémentaire, limiter certaines actions répétitives ou ralentir l’envoi de messages réduit parfois le bruit comportemental. Une interface trop fluide favorise les gestes impulsifs: appréciations mécaniques, refus en série, conversations commencées sans intention de les poursuivre.

À l’inverse, une friction excessive dégrade l’accès au service. Le problème consiste à trouver un seuil où l’action reste simple sans devenir entièrement automatique. C’est une question de conception, mais aussi de qualité statistique.

Ce que l’utilisateur peut réellement déduire d’une recommandation

Une recommandation algorithmique contient une information limitée. Elle indique que plusieurs signaux ont été jugés compatibles par le système. Elle ne précise pas toujours lesquels. Elle ne donne pas non plus la fiabilité de l’estimation.

L’utilisateur peut raisonnablement en déduire que:

• son profil partage certains attributs avec les personnes proposées;
• ses interactions passées influencent probablement l’ordre d’affichage;
• la réciprocité attendue peut entrer dans le calcul;
• les préférences déclarées ne sont qu’une partie des données exploitées;
• le contenu textuel peut être analysé au-delà des mots-clés explicitement sélectionnés.

Il ne peut pas en déduire qu’une personne est objectivement plus compatible qu’une autre. Il ne peut pas non plus conclure qu’un profil moins visible est moins intéressant. L’absence d’exposition est une décision de classement, pas une mesure de valeur.

Pour comprendre le fonctionnement d’un algorithme de rencontre, il faut donc séparer trois niveaux:

• la donnée, comme une réponse, un clic ou un temps de consultation;
• l’inférence, comme une préférence ou une probabilité de réponse;
• la recommandation, c’est-à-dire le profil finalement affiché.

Chaque niveau peut introduire une erreur. Une donnée peut être ambiguë. L’inférence peut être incorrecte. La recommandation peut être techniquement cohérente mais inadaptée à la situation personnelle.

La recommandation technique: considérer le matchmaking comme un filtre, pas comme un oracle

Les algorithmes de rencontre remplissent une fonction concrète: réduire le volume de profils et organiser les occasions de contact. Leur valeur réside dans cette capacité de filtrage. Ils accélèrent l’accès à des personnes qui partagent certains critères ou certains comportements observables.

Leur limite est tout aussi concrète. Ils ne disposent pas d’une définition complète de l’affinité. Ils ne voient ni le contexte entier ni les évolutions possibles d’une relation. Les modèles les plus avancés peuvent rapprocher des préférences, interpréter du langage et estimer la réciprocité. Ils ne suppriment pas l’incertitude.

La bonne lecture est donc opérationnelle. Une application ne révèle pas qui serait la bonne personne. Elle teste quelles mises en relation semblent plausibles à partir de données imparfaites. Le reste dépend d’informations que seul l’échange réel peut produire.

Dans ce système, l’algorithme doit rester un filtre. Dès qu’il est traité comme un arbitre de la compatibilité humaine, il promet plus que son infrastructure ne peut fournir.