新加坡：公務員們或許可以停止在社交軟體上無休止地左右滑動了，因為周二（9月29日）推出的一款全新約會平台可能會直接為他們找到真命天子或天女。
這款名為 FirstDate 的平台由政府科技局（GovTech）的官員在一次黑客馬拉松活動中推出。它根據用戶的偏好進行配對，面向 21 至 35 歲且未婚的公務員開放。
此次實驗背景是新加坡婚姻率下降以及總生育率創下歷史新低。
FirstDate 的官方網站表示，該平台採取了「不同的約會方式」，用戶將根據一份問卷，一次僅被介紹給一個人。
GovTech 周四告訴 CNA，團隊希望測試通過更加強調共同價值觀和偏好，同時減少單次匹配數量，是否能鼓勵用戶在面對每一次介紹時投入更多的思考。
而支撐這些匹配的核心正是 Gale-Shapley 穩定婚姻算法。
CNA 將帶大家深入了解這一算法，以及它能為新加坡的在線約會帶來什麼。
什麼是該算法及其工作原理？
Gale-Shapley 算法得名於美國數學家大衛·蓋爾（David Gale）和勞埃德·沙普利（Lloyd Shapley），他們在 1962 年發表的一篇名為《大學錄取與婚姻穩定性》的論文中描述了該算法。
它的設計目的是根據兩個參與群體各自的偏好，尋找「穩定」的匹配。
根據招聘平台 Built In 的介紹，該算法大致分為三個階段：提議、評估和疊代。
起初所有人都是未匹配狀態，其中一方參與者充當「提議者」。每位提議者會接觸對方群體中自己最傾向的人，如果對方目前處於未匹配狀態，則會暫時接受該提議。
如果一名參與者收到了一份來自其更傾向的提議者的申請（相比於當前的臨時匹配對象），他們可以選擇轉向新提議者並拒絕前一個人。被拒絕的人隨後會轉向其偏好列表中的下一個目標。
這個過程一直持續到無法再進行更多提議為止。
Built In 舉了一個例子，涉及三男三女，每個人按偏好順序對另一組人員進行排名。
男方的偏好為：
男 1：女 1, 女 2, 女 3
男 2：女 2, 女 3, 女 1
男 3：女 3, 女 1, 女 2
女方的偏好為：
女 1：男 2, 男 1, 男 3
女 2：男 1, 男 2, 男 3
女 3：男 3, 男 1, 男 2
在該算法下，每位男性首先接觸他的首選目標。
男 1 向女 1 提議，男 2 向女 2 提議，男 3 向女 3 提議。每位女性暫時接受她收到的提議。
在 Built In 的例子中，最終的配對結果是：男 1 與女 2，男 2 與女 1，男 3 與女 3。
當沒有任何一對男女會彼此認為對方比目前的配對對象更理想時，這種匹配就被認為是「穩定」的。
例如，如果男 1 與女 2 配對，但男 1 更喜歡另一位女性，且該女性也比目前的伴侶更喜歡男 1，那麼這種匹配就是不穩定的。
該算法將如何在 FirstDate 中應用？
Gale-Shapley 算法在用戶提交 FirstDate 問卷答案後開始發揮作用。
根據 FirstDate 的網站，其引擎會評估用戶的「核心兼容性偏好」，以尋找「最優的相互配對」。算法將運行多個輪次，以平衡兩個匹配池。
FirstDate 表示，它追求的是一種相互匹配，即每個用戶都能匹配到對方正在尋找的人。
然而，這並不意味著每個用戶都能配對到他們的第一選擇。
在 Gale-Shapley 算法下，目標是產生一組穩定的匹配，而不是確保每個人都能得到最心儀的伴侶。
結果還取決於哪一方發起提議。
該網站提醒，紙面上的兼容性並不能保證化學反應，也不能保證匹配一定會導致一段關係。
它只是優先考慮那些雙方「可能對匹配感到滿意」的組合。
網站稱：「至於之後如何發展，則取決於你們自己。」
為什麼該算法對 FirstDate 有用？
與傳統的約會應用（用戶通過滑動個人資料來選擇）不同，穩定匹配考慮了潛在配對雙方的偏好。
GovTech 告訴 CNA，用戶在每個周期（大約每月一次）會收到一個推薦匹配。
這是 FirstDate 的一個核心特點——它一次只為用戶提供一個匹配對象，而不是提供一個巨大的資料池供用戶挑選。
用戶首先需要完成一份關於興趣、習慣、價值觀和偏好的問卷，其中還包括關於「絕對不能接受的條件（dealbreakers）」的問題。
當用戶收到匹配時，他們會看到一個兼容性分數，並獲得對方的信息以及對方寫的一段話。雙方有三天時間決定是否建立聯繫。
只有在雙方都表示同意的情況下，才會分享聯繫方式。
FirstDate 的加入申請計劃於周一截止。
這並不是 Gale-Shapley 算法首次在新加坡的約會場景中使用。
2019 年在新加坡國立大學（NUS）和耶魯-新加坡國立大學（Yale-NUS）啟動的學生運營項目 Aphrodite Project，就使用了一種改良的 Gale-Shapley 算法，根據兼容性問卷的回答為學生進行匹配。
該項目隨後擴展到了南洋理工大學（NTU）和新加坡管理大學（SMU）。
為什麼這個算法如此出名？
雖然蓋爾和沙普利是在大學錄取背景下開發該算法的，但它最終在解決其他需要根據偏好匹配兩個群體的現實問題中產生了深遠影響。
沙普利在穩定匹配方面的研究，使他與美國經濟學家阿爾文·羅斯（Alvin Roth）共同獲得了 2012 年諾貝爾經濟學獎。
他們獲獎是因為「穩定分配理論和市場設計實踐」。諾貝爾委員會將沙普利歸功於對理論的早期貢獻，而將羅斯歸功於將匹配理論研究並應用於現實市場。
蓋爾於 2008 年去世，由於諾貝爾獎不追授，因此他未能獲獎。沙普利於 2016 年去世。
該算法的一個著名應用是將醫生與培訓計劃進行匹配。
在美國，國家住院醫師匹配計劃（NRMP）使用數學算法將申請人安置在住院醫師和研究員崗位上，同時考慮申請人和計劃雙方的偏好。
NRMP 將其方法描述為「申請人提議」。
它首先嘗試將申請人安置在他們最傾向的計劃中。如果不可行，則在申請人的選擇列表中向下移動，直到達成臨時匹配或選項耗盡。
在 20 世紀 90 年代，羅斯參與重新設計了 NRMP 的匹配算法，旨在解決其缺陷。
該算法背後的原理還被應用於高中錄取，羅斯和其他研究人員重新設計了將學生分配到公立高中的系統，包括在紐約。
匹配理論還被應用於腎臟交換，在患者和願意捐贈的人之間安排兼容的交換。
