新加坡：公务员们或许可以停止在社交软件上无休止地左右滑动了，因为周二（9月29日）推出的一款全新约会平台可能会直接为他们找到真命天子或天女。
这款名为 FirstDate 的平台由政府科技局（GovTech）的官员在一次黑客马拉松活动中推出。它根据用户的偏好进行配对，面向 21 至 35 岁且未婚的公务员开放。
此次实验背景是新加坡婚姻率下降以及总生育率创下历史新低。
FirstDate 的官方网站表示，该平台采取了“不同的约会方式”，用户将根据一份问卷，一次仅被介绍给一个人。
GovTech 周四告诉 CNA，团队希望测试通过更加强调共同价值观和偏好，同时减少单次匹配数量，是否能鼓励用户在面对每一次介绍时投入更多的思考。
而支撑这些匹配的核心正是 Gale-Shapley 稳定婚姻算法。
CNA 将带大家深入了解这一算法，以及它能为新加坡的在线约会带来什么。
什么是该算法及其工作原理？
Gale-Shapley 算法得名于美国数学家大卫·盖尔（David Gale）和劳埃德·沙普利（Lloyd Shapley），他们在 1962 年发表的一篇名为《大学录取与婚姻稳定性》的论文中描述了该算法。
它的设计目的是根据两个参与群体各自的偏好，寻找“稳定”的匹配。
根据招聘平台 Built In 的介绍，该算法大致分为三个阶段：提议、评估和迭代。
起初所有人都是未匹配状态，其中一方参与者充当“提议者”。每位提议者会接触对方群体中自己最倾向的人，如果对方目前处于未匹配状态，则会暂时接受该提议。
如果一名参与者收到了一份来自其更倾向的提议者的申请（相比于当前的临时匹配对象），他们可以选择转向新提议者并拒绝前一个人。被拒绝的人随后会转向其偏好列表中的下一个目标。
这个过程一直持续到无法再进行更多提议为止。
Built In 举了一个例子，涉及三男三女，每个人按偏好顺序对另一组人员进行排名。
男方的偏好为：
男 1：女 1, 女 2, 女 3
男 2：女 2, 女 3, 女 1
男 3：女 3, 女 1, 女 2
女方的偏好为：
女 1：男 2, 男 1, 男 3
女 2：男 1, 男 2, 男 3
女 3：男 3, 男 1, 男 2
在该算法下，每位男性首先接触他的首选目标。
男 1 向女 1 提议，男 2 向女 2 提议，男 3 向女 3 提议。每位女性暂时接受她收到的提议。
在 Built In 的例子中，最终的配对结果是：男 1 与女 2，男 2 与女 1，男 3 与女 3。
当没有任何一对男女会彼此认为对方比目前的配对对象更理想时，这种匹配就被认为是“稳定”的。
例如，如果男 1 与女 2 配对，但男 1 更喜欢另一位女性，且该女性也比目前的伴侣更喜欢男 1，那么这种匹配就是不稳定的。
该算法将如何在 FirstDate 中应用？
Gale-Shapley 算法在用户提交 FirstDate 问卷答案后开始发挥作用。
根据 FirstDate 的网站，其引擎会评估用户的“核心兼容性偏好”，以寻找“最优的相互配对”。算法将运行多个轮次，以平衡两个匹配池。
FirstDate 表示，它追求的是一种相互匹配，即每个用户都能匹配到对方正在寻找的人。
然而，这并不意味着每个用户都能配对到他们的第一选择。
在 Gale-Shapley 算法下，目标是产生一组稳定的匹配，而不是确保每个人都能得到最心仪的伴侣。
结果还取决于哪一方发起提议。
该网站提醒，纸面上的兼容性并不能保证化学反应，也不能保证匹配一定会导致一段关系。
它只是优先考虑那些双方“可能对匹配感到满意”的组合。
网站称：“至于之后如何发展，则取决于你们自己。”
为什么该算法对 FirstDate 有用？
与传统的约会应用（用户通过滑动个人资料来选择）不同，稳定匹配考虑了潜在配对双方的偏好。
GovTech 告诉 CNA，用户在每个周期（大约每月一次）会收到一个推荐匹配。
这是 FirstDate 的一个核心特点——它一次只为用户提供一个匹配对象，而不是提供一个巨大的资料池供用户挑选。
用户首先需要完成一份关于兴趣、习惯、价值观和偏好的问卷，其中还包括关于“绝对不能接受的条件（dealbreakers）”的问题。
当用户收到匹配时，他们会看到一个兼容性分数，并获得对方的信息以及对方写的一段话。双方有三天时间决定是否建立联系。
只有在双方都表示同意的情况下，才会分享联系方式。
FirstDate 的加入申请计划于周一截止。
这并不是 Gale-Shapley 算法首次在新加坡的约会场景中使用。
2019 年在新加坡国立大学（NUS）和耶鲁-新加坡国立大学（Yale-NUS）启动的学生运营项目 Aphrodite Project，就使用了一种改良的 Gale-Shapley 算法，根据兼容性问卷的回答为学生进行匹配。
该项目随后扩展到了南洋理工大学（NTU）和新加坡管理大学（SMU）。
为什么这个算法如此出名？
虽然盖尔和沙普利是在大学录取背景下开发该算法的，但它最终在解决其他需要根据偏好匹配两个群体的现实问题中产生了深远影响。
沙普利在稳定匹配方面的研究，使他与美国经济学家阿尔文·罗斯（Alvin Roth）共同获得了 2012 年诺贝尔经济学奖。
他们获奖是因为“稳定分配理论和市场设计实践”。诺贝尔委员会将沙普利归功于对理论的早期贡献，而将罗斯归功于将匹配理论研究并应用于现实市场。
盖尔于 2008 年去世，由于诺贝尔奖不追授，因此他未能获奖。沙普利于 2016 年去世。
该算法的一个著名应用是将医生与培训计划进行匹配。
在美国，国家住院医师匹配计划（NRMP）使用数学算法将申请人安置在住院医师和研究员岗位上，同时考虑申请人和计划双方的偏好。
NRMP 将其方法描述为“申请人提议”。
它首先尝试将申请人安置在他们最倾向的计划中。如果不可行，则在申请人的选择列表中向下移动，直到达成临时匹配或选项耗尽。
在 20 世纪 90 年代，罗斯参与重新设计了 NRMP 的匹配算法，旨在解决其缺陷。
该算法背后的原理还被应用于高中录取，罗斯和其他研究人员重新设计了将学生分配到公立高中的系统，包括在纽约。
匹配理论还被应用于肾脏交换，在患者和愿意捐赠的人之间安排兼容的交换。
